diff --git a/libs/localization/src/lib/en.cs.json b/libs/localization/src/lib/en.cs.json index 1f53e07412..05c5f16de9 100644 --- a/libs/localization/src/lib/en.cs.json +++ b/libs/localization/src/lib/en.cs.json @@ -3,26 +3,26 @@ "close": "Zavřít", "tooltipButton": "Tlačítko popisku", "identityFeature": "Funkce identity", - "infoTitle": "Additional information", - "spinButton": "Spin", - "editButton": "Edit", - "decreaseValue": "Decrease value", - "increaseValue": "Increase value", - "decreaseValueByOne": "Decrease value by 1", - "increaseValueByOne": "Increase value by 1", - "loading": "Loading..." + "infoTitle": "Další informace", + "spinButton": "Číselník", + "editButton": "Upravit", + "decreaseValue": "Snížit hodnotu", + "increaseValue": "Zvýšit hodnotu", + "decreaseValueByOne": "Snížit hodnotu o 1", + "increaseValueByOne": "Zvýšit hodnotu o 1", + "loading": "Načítá se..." }, "ChartContextMenu": { - "hideData": "Hide data table", - "viewData": "View data table", - "viewInFullScreen": "View in full screen", - "printChart": "Print chart", - "downloadCSV": "Download CSV", - "downloadPNG": "Download PNG image", - "downloadJPEG": "Download JPEG image", - "downloadPDF": "Download PDF document", - "downloadSVG": "Download SVG vector image", - "downloadXLS": "Download XLS" + "hideData": "Skrýt tabulku dat", + "viewData": "Zobrazit tabulku dat", + "viewInFullScreen": "Zobrazit na celé obrazovce", + "printChart": "Vytisknout graf", + "downloadCSV": "Stáhnout CSV", + "downloadPNG": "Stáhnout obrázek PNG", + "downloadJPEG": "Stáhnout obrázek JPEG", + "downloadPDF": "Stáhnout dokument PDF", + "downloadSVG": "Stáhnout vektorový obrázek SVG", + "downloadXLS": "Stáhnout XLS" }, "CausalAnalysis": { "AggregateView": { @@ -39,7 +39,7 @@ "description": "Analýza příčin odpovídá na otázky typu: Co kdyby? a popisuje, jak by se v reálném světe změnily výstupy v rámci různých voleb zásad, jako je například jiná cenová strategie pro produkt nebo alternativní léčba pacienta. Na rozdíl od modelových predikcí, které rozpoznávají důležité korelační vzorce vám tyto nástroje pomůžou rozpoznat nejdůležitější příčiny, které mají přímý vliv na výstupy faktoru, který vás zajímá. Tyto modely rozpoznávají důsledky jediného faktoru, zatímco ostatní současně působící faktory zůstávají konstantní. Ujistěte se, že zahrnujete širokou sadu faktorů, které by mohly korelovat s výstupem jakožto současně působící faktory.", "directAggregate": "Přímý agregát důsledků jednotlivých ošetření v 95% intervalu spolehlivosti", "here": "tady", - "infoTitle": "Additional information on aggregated causal effects", + "infoTitle": "Další informace o agregovaných příčinných účincích", "lasso": "Laso (nebo logistická regrese, pokud je y binární) bylo vhodné pro předpověď y z X[-i] a laso (nebo logistické regrese, pokud je X[i] kategorické) bylo vhodné predikovat X[i] z Χ [-i]. Kauzální účinek lze zobrazit jako průměrnou korelaci reziduí nebo překvapivé odchylky dvou úloh předpovědi. Další informace o dvojitém strojovém učení", "unconfounding": "Co jsou zavádějící funkce?" }, @@ -51,7 +51,7 @@ "description": "Jednotlivé kauzální účinky mohou informovat přizpůsobené zákroky, jako je cílová propagace zákazníkům nebo plán individuální léčby. Jak by jednotlivec s určitou sadou funkcí reagoval na změnu v příčinné funkci nebo v léčbě? Pokud změníte úroveň léčby, příčinný nástroj citlivostní analýzy počítá mezní změny v reálných výsledcích konkrétního jednotlivce, pokud změníte jejich úroveň léčby. Tato analýza vám umožní pochopit, jak by se reálné výsledky změnily v rámci různých voleb zásad, jako je například jiná cenová strategie pro produkt nebo alternativní léčba pacienta. Určete léčbu, která vás zaujala a sledujte, jak by se změnil skutečný výsledek.", "directIndividual": "Přímý individuální důsledek jednotlivých ošetření v 95% intervalu spolehlivosti", "index": "Index datového bodu", - "infoTitle": "Additional information on individual causal what-if", + "infoTitle": "Další informace o jednotlivých příčinných eventualitách", "missingParameters": "Tato karta vyžaduje zadání datové sady pro vyhodnocení.", "newOutcome": "Nový výsledek", "selectTreatment": "Vyberte ošetření", @@ -85,7 +85,7 @@ "averageGainBinary": "Průměrné nárůsty nastavení léčby {0} na jeho základní hodnotu {1}.", "averageGainContinuous": "Průměrné přírůstky jiných zásad oproti žádnému ošetření {0}", "header": "Tyto nástroje pomáhají vytvářet zásady pro budoucí intervence. Můžete zjistit, které části vašeho ukázkového prostředí mají největší odpovědi na změny příčinných funkcí nebo léčeb, a vytvořit pravidla, která definují, které budoucí populace by měly být určeny pro konkrétní intervence.", - "infoTitle": "Additional information on treatment policy", + "infoTitle": "Další informace o zásadách řešení", "nSample": "n = {0}", "noData": "Žádná data" } @@ -116,8 +116,8 @@ "cancel": "Zrušit", "title": "Přepnout kohortu", "subText": "Vyberte kohortu ze seznamu kohort. Použije kohortu na řídicí panel.", - "selectCohort": "Select a cohort", - "cohortList": "Cohort list" + "selectCohort": "Vybrat kohortu", + "cohortList": "Seznam kohort" }, "PreBuiltCohort": { "featureNameNotFound": "Název funkce se v datové sadě nenašel.", @@ -148,13 +148,13 @@ "predictedClass": "Predikovaná třída", "predictedValue": "Predikovaná hodnota" }, - "Size": "Size", - "loading": "Loading...", + "Size": "Velikost", + "loading": "Načítá se...", "counterfactualEx": "Př. protifaktoru {0}", "counterfactualName": "Název protifaktoru citlivostní analýzy", "createWhatIfCounterfactual": "Vytvořit protifaktory citlivostní analýzy", "createCounterfactual": "Protifaktor", - "revertToBubbleChart": "View bubble chart", + "revertToBubbleChart": "Zobrazit bublinový graf", "createOwn": "Vytvořte si vlastní protifaktoru:", "currentClass": "Aktuální třída", "currentRange": "Aktuální rozsah", @@ -167,9 +167,9 @@ "listDescription": "Tento seznam ukazuje, které datové body v aktuálním vzorku dat mají největší kauzální odezvu na zvolenou léčbu, na základě všech vlastností obsažených v odhadovaném kauzálním modelu. Levých pět sloupců uvádí, zda se doporučuje léčbu sledovat, současnou léčbu, odhadovaný účinek léčby (účinek aplikace léčby od výchozí hodnoty bez léčby pro binární léčby nebo zvýšení nebo snížení hodnoty funkce léčby o 10% typických velikostí léčiva ve vzorku: [dynamická: uveďte numerickou změnu v léčbě, kterou jsme použili]) a dolní a horní intervaly spolehlivosti (CI) pro tento efekt. Zbývající sloupce ukazují aktuální stav léčby a další funkce každého pozorování.", "localImportanceDescription": "Funkce s nejvyšším pořadím v řádku {0} perturb, aby se dosáhlo požadované predikce modelu. Na základě citlivostní analýzy pro predikci: {1}", "localImportanceSelectData": "Výběrem datového bodu zobrazíte graf místní důležitosti.", - "largeLocalImportanceSelectData": "Select a bubble, followed by a data point to view local importance chart", - "localImportanceFetchError": "There was an error while fetching the local importance data. Error details: {0} Please check the data used.", - "BubbleChartFetchError": "There was an error while fetching the data. Error details: {0} Please check the data used.", + "largeLocalImportanceSelectData": "Vyberte bublinu a potom datový bod pro zobrazení grafu místní důležitosti", + "localImportanceFetchError": "Při načítání dat místní důležitosti došlo k chybě. Podrobnosti o chybě: {0} Zkontrolujte prosím použitá data.", + "BubbleChartFetchError": "Při načítání dat došlo k chybě. Podrobnosti o chybě: {0} Zkontrolujte prosím použitá data.", "noData": "Žádná data", "noFeatures": "Nejsou k dispozici žádné funkce.", "panelDescription": "Projděte si protifaktory a vytvořte si své vlastní. Vyhledejte funkce, abyste se mohli podívat na doporučené hodnoty z jiné sady vzorových protifaktorů. Nastavení doporučených hodnot funkce protifaktorů uděláte tak, že pod názvem každého protifaktoru kliknete na text „Nastavit hodnoty“. Svoje protifaktory pojmenujte a pak je uložte.", @@ -217,13 +217,13 @@ "subText": "Zjistit více o vybrané kohortě. Upravit název kohorty. Smazat tuto kohortu." }, "FeatureList": { - "featureList": "Feature List", + "featureList": "Seznam funkcí", "apply": "Použít", "features": "Atributy", "importances": "Významné prvky", "treeMapDescription": "Chcete-li znovu trénovat stromovou mapu, vyberte a uložte níže uvedené atributy. Významnost atributů byla vypočítána pomocí vzájemných informací s chybou na skutečných štítcích. Použijte jej jako vodítko pro trénink stromové mapy.", "staticTreeMapDescription": "Umožňuje zobrazit funkce, které byly použity k trénování stromové mapy. Důležitosti funkcí se vypočítaly pomocí vzájemných informací s chybou u skutečných popisků.", - "searchResultMessage": "Results displayed out of {resultLength} for {searchValue}" + "searchResultMessage": "Výsledky zobrazené z {resultLength} pro {searchValue}" }, "TreeViewParameters": { "maximumDepth": "Maximální hloubka", @@ -289,7 +289,7 @@ "disabledWarning": "Heat mapa chyb je zakázaná, pokud globální kohorta není přepnutá tak, aby představovala všechna data, protože heat mapa se generuje pro úplnou datovou sadu. Pokud si chcete zobrazit heat mapu chyb, přepněte zpět na úplnou datovou sadu." }, "MatrixSummary": { - "heatMapInfoTitle": "Additional information on heat map", + "heatMapInfoTitle": "Další informace o teplotní mapě heat map", "heatMapDescription": "S heat mapou se můžete zaměřit na konkrétní průnikové filtry funkcí a vypočítat členěné míry chyb. Začněte se dvěma funkcemi datové sady, které můžete porovnat.", "heatMapStaticDescription": "S heat mapou se můžete zaměřit na konkrétní průnikové filtry funkcí a na počítačově disagregované míry chyb. Před zobrazením řídicího panelu je třeba vybrat až dvě funkce, aby se vytvořila heat mapa prostřednictvím sady SDK." }, @@ -305,108 +305,108 @@ }, "Metrics": { "AccuracyScore": { - "Name": "Accuracy score", - "Info": "The accuracy score represents the ratio of correct to total instances in the data.", - "Short": "Accuracy", - "Title": "Additional information on accuracy score" + "Name": "Skóre přesnosti", + "Info": "Skóre přesnosti představuje poměr správných k celkovému počtu instancí v datech.", + "Short": "Úspěšnost", + "Title": "Další informace o skóre přesnosti" }, "ErrorRate": { - "Name": "Error rate", - "Info": "The error rate represents the percentage of instances in the node for which the system has failed.", - "Short": "Error rate", - "Title": "Additional information on error rate" + "Name": "Chybovost", + "Info": "Míra chyb představuje procento instancí v uzlu, pro které systém selhal.", + "Short": "Chybovost", + "Title": "Další informace o chybovosti" }, "F1Score": { - "Name": "F1 score", - "Info": "The F1 score is the harmonic mean of the precision and recall metrics.", - "Short": "F1 score", - "Title": "Additional information on F1 score" + "Name": "Skóre F1", + "Info": "Skóre F1 je střední hodnota metrik přesnosti a úplnosti.", + "Short": "Skóre F1", + "Title": "Další informace o skóre F1" }, "MeanAbsoluteError": { - "Name": "Mean absolute error", - "Info": "The mean absolute error is the average of the sum of the errors.", - "Short": "Mean abs. error", - "Title": "Additional information on mean absolute error" + "Name": "Střední absolutní chyba", + "Info": "Střední absolutní chyba představuje průměr celkového součtu chyb.", + "Short": "Střední absolutní chyba", + "Title": "Další informace o střední absolutní chybě" }, "MeanSquaredError": { - "Name": "Mean squared error", - "Info": "The mean squared error is the average of the squares of the errors.", - "Short": "Mean sq. error", - "Title": "Additional information on mean squared error" + "Name": "Střední kvadratická chyba", + "Info": "Střední kvadratická chyba představuje průměr druhých mocnin chyb.", + "Short": "Střední kvadratická chyba", + "Title": "Další informace o střední kvadratické chybě (MSE)" }, "Precision": { - "Name": "Precision score", - "Info": "The precision is the ratio of true positives over all predicted positives.", - "Short": "Precision", - "Title": "Additional information on precision" + "Name": "Skóre přesnosti", + "Info": "Přesnost je poměr pravdivě pozitivních hodnot ke všem predikovaným pozitivním hodnotám.", + "Short": "Přesnost", + "Title": "Další informace o přesnosti" }, "Recall": { - "Name": "Recall score", - "Info": "The recall is the ratio of true positives over all actual positives.", - "Short": "Recall", - "Title": "Additional information on recall" + "Name": "Skóre úplnosti", + "Info": "Úplnost je poměr pravdivě pozitivních výsledků ke všem skutečně pozitivním výsledkům.", + "Short": "Úplnost", + "Title": "Další informace o úplnosti" }, "MacroPrecision": { - "Name": "Macro averaged precision score", - "Info": "The macro averaged precision is the ratio of true positives over all predicted positives computed independently per class and averaged.", - "Short": "Macro precision", - "Title": "Additional information on macro averaged precision" + "Name": "Skóre makroprůměrné přesnosti", + "Info": "Makroprůměrná přesnost je poměr pravdivě pozitivních výsledků ke všem predikovaným pozitivním hodnotám vypočítaným nezávisle podle třídy a průměru.", + "Short": "Makropřesnost", + "Title": "Další informace o makroprůměrné přesnosti" }, "MicroPrecision": { - "Name": "Micro averaged precision score", - "Info": "The micro averaged precision is the ratio of true positives over all predicted positives aggregated for all classes.", - "Short": "Micro precision", - "Title": "Additional information on micro averaged precision" + "Name": "Skóre mikroprůměrné přesnosti", + "Info": "Mikroprůměrná přesnost je poměr pravdivě pozitivních výsledků ke všem predikovaným pozitivním hodnotám agregovaným pro všechny třídy.", + "Short": "Mikropřesnost", + "Title": "Další informace o mikroprůměrné přesnosti" }, "MacroRecall": { - "Name": "Macro averaged recall score", - "Info": "The macro averaged recall is the ratio of true positives over all actual positives computed independently per class and averaged.", - "Short": "Macro recall", - "Title": "Additional information on macro averaged recall" + "Name": "Skóre makroprůměrné úplnosti", + "Info": "Makroprůměrná úplnost je poměr pravdivě pozitivních výsledků ke všem skutečně pozitivním hodnotám vypočítaným nezávisle podle třídy a průměru.", + "Short": "Makroúplnost", + "Title": "Další informace o makroprůměrné úplnosti" }, "MicroRecall": { - "Name": "Micro averaged recall score", - "Info": "The micro averaged recall is the ratio of true positives over all actual positives aggregated for all classes.", - "Short": "Micro recall", - "Title": "Additional information on micro averaged recall" + "Name": "Skóre mikroprůměrné úplnosti", + "Info": "Mikroprůměrná úplnost je poměr pravdivě pozitivních výsledků ke všem skutečně pozitivním hodnotám agregovaným pro všechny třídy.", + "Short": "Mikroúplnost", + "Title": "Další informace o mikroprůměrné úplnosti" }, "MacroF1Score": { - "Name": "Macro averaged F1 score", - "Info": "The macro averaged F1 score is the harmonic mean of the macro averaged precision and recall metrics.", - "Short": "Macro F1 score", - "Title": "Additional information on macro averaged F1 score" + "Name": "Makroprůměrované skóre F1", + "Info": "Makroprůměrované skóre F1 je střední hodnota makroprůměrované přesnosti a metriky úplnost.", + "Short": "Skóre Macro F1", + "Title": "Další informace o makroprůměrovaném skóre F1" }, "MicroF1Score": { - "Name": "Micro averaged F1 score", - "Info": "The micro averaged F1 score is the harmonic mean of the micro averaged precision and recall metrics.", - "Short": "Micro F1 score", - "Title": "Additional information on micro averaged F1 score" + "Name": "Mikroprůměrované skóre F1", + "Info": "Mikroprůměrované skóre F1 je střední hodnota mikroprůměrované přesnosti a metriky úplnost.", + "Short": "Skóre Micro F1", + "Title": "Další informace o mikroprůměrovaném skóre F1" }, "MeanAveragePrecision": { - "Name": "Mean average precision score", - "Info": "Mean average precision for object detection models is the average of AP (average precision) across all classes. This evaluates the robustness of your object detection model and encapsulates the tradeoff between precision and recall.", - "Short": "Mean avg precision", - "Title": "Additional information on mean average precision score" + "Name": "Průměrné skóre přesnosti", + "Info": "Průměrná přesnost modelů detekce objektů je průměr AP (average precision = průměrná přesnost) ve všech třídách. Tím se vyhodnotí robustnost modelu rozpoznávání objektů a zapouzdří se kompromis mezi přesností a úplností.", + "Short": "Průměrná přesnost", + "Title": "Další informace o průměrném skóre přesnosti" }, "AveragePrecision": { - "Name": "Average precision score", - "Info": "Average precision for object detection models is calculated for a selected class.", - "Short": "Avg precision", - "Title": "Additional information on average precision score" + "Name": "Průměrné skóre přesnosti", + "Info": "Průměrná přesnost modelů detekce objektů se počítá pro vybranou třídu.", + "Short": "Průměrná přesnost", + "Title": "Další informace o průměrném skóre přesnosti" }, "AverageRecall": { - "Name": "Average recall score", - "Info": "Average recall for object detection models is calculated for a selected class.", - "Short": "Avg recall", - "Title": "Additional information on average recall score" + "Name": "Průměrné skóre úplnosti", + "Info": "Průměrná úplnost modelů detekce objektů se počítá pro vybranou třídu.", + "Short": "Prům. odvolání", + "Title": "Další informace o průměrném skóre odvolání" }, "metricName": "Název metriky", "metricValue": "Hodnota metriky" }, "MetricSelector": { "selectorLabel": "Vybrat metriku", - "feature1SelectorLabel": "Rows: Feature 1", - "feature2SelectorLabel": "Columns: Feature 2" + "feature1SelectorLabel": "Řádky: Funkce 1", + "feature2SelectorLabel": "Sloupce: Funkce 2" }, "Navigation": { "cohortSaved": "Nová kohorta se uložila! V nastavení kohorty najdete seznam kohort.", @@ -427,9 +427,9 @@ "defaultLabelCopy": "Kopírování všech dat" }, "TreeView": { - "ariaLabel": "Interactive chart", - "disabledArialLabel": "Disabled interactive chart", - "treeMapInfoTitle": "Additional information on tree map", + "ariaLabel": "Interaktivní graf", + "disabledArialLabel": "Zakázaný interaktivní graf", + "treeMapInfoTitle": "Dodatečné informace o stromové mapě", "treeDescription": "Stromová vizualizace používá vzájemné informace mezi každým atributem a chybou k co nejlepšímu oddělení chybových instancí od úspěšných instancí hierarchicky v datech. To zjednodušuje proces zjišťování a zvýrazňování běžných vzorů selhání. To zjednodušuje proces objevování a zvýrazňování běžných vzorců selhání. Pokud chcete najít důležité vzorce selhání, vyhledejte uzly se silnější červenou barvou (tj. vysokou chybovostí) a vyšší čárou výplně (tj. s vysokým pokrytím chyb). Pokud chcete upravit seznam funkcí používaných ve stromu, klikněte na Seznam funkcí. Další informace o výkonu chybových a úspěšných uzlů najdete v rozevírací nabídce Vybrat metriku. Upozorňujeme, že tento výběr metrik nebude mít vliv na způsob generování stromu chyb.", "treeStaticDescription": "Stromová vizualizace používá vzájemné informace mezi každým atributem a chybou k co nejlepšímu oddělení chybových instancí od úspěšných instancí hierarchicky v datech. To zjednodušuje proces zjišťování a zvýrazňování běžných vzorů selhání. To zjednodušuje proces objevování a zvýrazňování běžných vzorců selhání. Pokud chcete najít důležité vzorce selhání, vyhledejte uzly se silnější červenou barvou (tj. vysokou chybovostí) a vyšší čárou výplně (tj. s vysokým pokrytím chyb). Pokud chcete zobrazit seznam funkcí používaných při vytváření stromu chyb, klikněte na Seznam funkcí. Další informace o výkonu chybových a úspěšných uzlů najdete v rozevírací nabídce Vybrat metriku. Upozorňujeme, že tento výběr metrik nebude mít vliv na způsob generování stromu chyb.", "disabledWarning": "Stromová mapa chyb je zakázaná, pokud globální kohorta není přepnutá tak, aby představovala všechna data, protože stromová mapa se generuje pro úplnou datovou sadu. Pokud si chcete zobrazit stromovou mapu chyb, přepněte zpět na úplnou datovou sadu." @@ -764,7 +764,7 @@ "countHelperText": "Histogram počtu bodů", "ditherLabel": "Použít dithering", "groupByCohort": "Seskupit podle kohorty", - "logarithmicScaling": "Enable logarithmic scaling", + "logarithmicScaling": "Povolit logaritmické škálování", "numOfBins": "Počet binování", "selectClass": "Vybrat třídu", "selectFeature": "Vyberte atribut", @@ -788,7 +788,7 @@ "importancePrefix": "Významnost", "numberOfDatapoints": "Počet datových bodů", "rowIndex": "Index řádku", - "absoluteIndex": "Absolute index", + "absoluteIndex": "Absolutní index", "xValue": "Hodnota X", "yValue": "Hodnota Y" }, @@ -817,11 +817,11 @@ "CohortEditor": { "columns": { "index": "Index", - "dataset": "Dataset", - "predictedY": "Predicted Y", - "trueY": "True Y", - "classificationOutcome": "Classification outcome", - "regressionError": "Error" + "dataset": "Datová sada", + "predictedY": "Predikované Y", + "trueY": "Skutečné Y", + "classificationOutcome": "Výsledek klasifikace", + "regressionError": "Chyba" }, "TreatAsCategorical": "Považovat za kategorické", "addFilter": "Přidat filtr", @@ -846,8 +846,8 @@ "save": "Uložit", "saveAndSwitch": "Uložit a přepnout", "selectFilter": "Vybrat filtr", - "noFiltersApplied": "No filters applied", - "filterAdded": "Filter added" + "noFiltersApplied": "Nejsou použité žádné filtry", + "filterAdded": "Přidal se filtr." }, "Columns": { "classificationOutcome": "Výsledek klasifikace", @@ -857,8 +857,8 @@ "falsePositive": "Falešně pozitivní", "none": "Počet", "predictedProbabilities": "Pravděpodobnosti predikce", - "predictedLabels": "Predicted labels", - "trueLabels": "True labels", + "predictedLabels": "Predikované popisky", + "trueLabels": "Skutečné popisky", "regressionError": "Chyba regrese", "trueNegative": "Pravdivě negativní", "truePositive": "Pravdivě pozitivní", @@ -879,7 +879,7 @@ "aggregatePlots": "Agregované diagramy", "chartType": "Typ grafu", "colorValue": "Hodnota barvy", - "infoTitle": "Additional information on data analysis chart view", + "infoTitle": "Další informace o zobrazení grafu analýzy dat", "helperText": "Vytvářejte kohorty datových sad, které analyzují statistiky datové sady podle filtrů, jako jsou předpokládané výsledky, funkce datových sad a skupiny chyb. Přečtěte si o nadměrném nebo nedostatečném zastoupení ve vaší datové sadě.", "individualDatapoints": "Jednotlivé datové body", "missingParameters": "Tato karta vyžaduje zadání datové sady pro vyhodnocení.", @@ -968,10 +968,10 @@ "dependencePlotHelperText": "Tento znázornění závislosti zobrazuje vztah hodnot funkce s odpovídajícími hodnotami důležitosti funkce.", "dependencePlotTitle": "Závislostní diagramy", "helperText": "Prozkoumejte nejdůležitější funkce, které ovlivňují celkové predikce modelů (nebo také globální vysvětlení). Pomocí posuvníku zobrazte důležitosti funkcí sestupně. Všechny důležitosti funkcí kohorty se zobrazují vedle sebe a je možné je vypnout výběrem kohorty v legendě. Kliknutím na některý z prvků v grafu zobrazíte graf hustoty ukazující, jak hodnoty vybraného prvku ovlivňují předpověď.", - "infoTitle": "Additional information on aggregate feature importance", + "infoTitle": "Další informace o důležitosti agregovaných funkcí", "legendHelpText": "Kliknutím na položky legendy v diagramu můžete zapínat nebo vypínat kohorty.", "missingParameters": "Tato karta vyžaduje, aby se zadal parametr významnosti místního příznaku.", - "sortByCohort": "Sort by cohort", + "sortByCohort": "Seřadit podle kohorty", "sortBy": "Seřadit podle datového bodu", "topAtoB": "Hlavní {0} funkce podle důležitosti", "viewDependencePlotFor": "Zobrazit závislostní diagram pro:", @@ -1014,15 +1014,15 @@ }, "Statistics": { "accuracy": "Úspěšnost: {0}", - "bleuScore": "Bleu score: {0}", - "bertScore": "Bert score: {0}", - "exactMatchRatio": "Exact match ratio: {0}", - "rougeScore": "Rouge Score: {0}", + "bleuScore": "Skóre Bleu: {0}", + "bertScore": "Skóre Bert: {0}", + "exactMatchRatio": "Přesný poměr shody: {0}", + "rougeScore": "Skóre: {0}", "fnr": "Falešně negativní hodnoty: {0}", "fpr": "Falešně pozitivní výsledek: {0}", - "hammingScore": "Hamming score: {0}", + "hammingScore": "Hammingovo skóre: {0}", "meanPrediction": "Střední predikce: {0}", - "meteorScore": "Meteor Score: {0}", + "meteorScore": "Meteorické skóre: {0}", "mse": "Střední kvadratická chyba: {0}", "precision": "Přesnost: {0}", "rSquared": "R²: {0}", @@ -1030,10 +1030,10 @@ "selectionRate": "Rychlost výběru: {0}", "mae": "Střední absolutní chyba: {0}", "f1Score": "Skóre F1: {0}", - "samples": "Sample size: {0}", - "meanAveragePrecision": "Mean average precision: {0}", - "averagePrecision": "Average precision: {0}", - "averageRecall": "Average recall: {0}" + "samples": "Velikost vzorku: {0}", + "meanAveragePrecision": "Průměrná přesnost: {0}", + "averagePrecision": "Průměrná přesnost: {0}", + "averageRecall": "Průměrná úplnost: {0}" }, "ValidationErrors": { "addFilters": "Přidat filtry", @@ -1141,29 +1141,29 @@ "InterpretText": { "View": { "interpretibilityDashboard": "Řídicí panel interpretovatelnosti", - "importantWords": "Show most Important Words", + "importantWords": "Zobrazit nejdůležitější slova", "topFeatureList": "Analýza seznamu hlavních funkcí", "allButton": "VŠECHNY FUNKCE", "negButton": "NEGATIVNÍ FUNKCE", "posButton": "POZITIVNÍ FUNKCE", - "legendText": "Positive scalar feature importances represent the extent that the words were important towards the classification of your selected label, and negative scalar feature importances represent words that encouraged your model away from your selected label.", - "legendTextForQA": "The left text box and the bar chart display the predictions of the model. The right text box shows the feature importance associated with a selected token. Positive feature importances represent the extent that the words were important towards marking the selected token as the starting/ending position of the answer.", + "legendText": "Pozitivní skalární důležitosti příznaků představují rozsah, v jakém byla slova důležitá pro klasifikaci vybraného popisku, a záporné důležitosti skalárních funkcí představují slova, která váš model podpořila pryč od vámi vybraného popisku.", + "legendTextForQA": "Levé textové pole a pruhový graf zobrazují predikce modelu. V pravém textovém poli se zobrazuje důležitost atributu přidružená k vybranému tokenu. Pozitivní významnosti atributů představují rozsah, ve kterém byla slova důležitá pro označení vybraného tokenu jako počáteční/koncové pozice odpovědi.", "label": "Popisek", "colon": ": ", - "startingPosition": "STARTING POSITION", - "endingPosition": "ENDING POSITION", - "predictedAnswer": "Predicted answer: ", - "trueAnswer": "True answer: ", - "inputs": "Inputs", - "outputs": "Outputs" + "startingPosition": "POČÁTEČNÍ POZICE", + "endingPosition": "KONCOVÁ POZICE", + "predictedAnswer": "Předpokládaná odpověď: ", + "trueAnswer": "Skutečná odpověď: ", + "inputs": "Vstupy", + "outputs": "Výstupy" }, "Legend": { "featureLegend": "LEGENDA TEXTOVÉ FUNKCE", "posFeatureImportance": "POZITIVNÍ DŮLEŽITOST PŘÍZNAKŮ", "negFeatureImportance": "NEGATIVNÍ DŮLEŽITOST PŘÍZNAKŮ", - "cls": "CLS: start of the sentence", - "sep": "SEP: end of the sentence", - "selectedWord": "Selected word: " + "cls": "CLS: začátek věty", + "sep": "SEP: konec věty", + "selectedWord": "Vybrané slovo: " }, "BarChart": { "featureImportance": "DŮLEŽITOST PŘÍZNAKŮ" @@ -1171,55 +1171,55 @@ }, "InterpretVision": { "Cohort": { - "close": "Close", - "errorCohortName": "Please choose a unique cohort name.", - "errorNumSelected": "Please select at least one (1) item.", - "itemsSelectedSingular": "item selected", - "itemsSelectedPlural": "items selected", - "save": "Save cohort", - "saveAndClose": "Save and close", - "saveAndSwitch": "Save and switch", - "textField": "New cohort name", - "title": "Save new cohort" + "close": "Zavřít", + "errorCohortName": "Zvolte prosím jedinečný název kohorty.", + "errorNumSelected": "Vyberte prosím aspoň jednu (1) položku.", + "itemsSelectedSingular": "vybraná položka", + "itemsSelectedPlural": "vybraných položek", + "save": "Uložit kohortu", + "saveAndClose": "Uložit a zavřít", + "saveAndSwitch": "Uložit a přepnout", + "textField": "Nový název kohorty", + "title": "Uložit novou kohortu" }, "Dashboard": { "allData": "Všechna data", - "columnOne": "Image", + "columnOne": "Obrázek", "columnTwo": "Index", "columnThree": "Skutečné Y", "columnFour": "Predikované Y", "columnFive": "Další metadata", - "chooseObject": "Choose a detected object", - "examples": "examples", + "chooseObject": "Zvolte zjištěný objekt", + "examples": "Příklady", "filter": "Filtrovat", - "indexLabel": "Image ", - "labelTypeDropdown": "Select label type", - "labelVisibilityDropdown": "Select labels to display", - "legendFailure": "failure", - "legendSuccess": "success", - "loading": "Computing explanation for index", - "multiselect": "Multiselect", - "notdefined": "object scenario not defined", - "objectSelect": "Object Selection", + "indexLabel": "Obrázek ", + "labelTypeDropdown": "Vybrat typ popisku", + "labelVisibilityDropdown": "Vyberte popisky, které se mají zobrazit.", + "legendFailure": "selhání", + "legendSuccess": "úspěch", + "loading": "Vysvětlení výpočtu indexu", + "multiselect": "Vícenásobný výběr", + "notdefined": "scénář objektu není definovaný.", + "objectSelect": "Výběr objektu", "pageSize": "Velikost stránky: ", - "panelTitle": "Selected instance", - "panelExplanation": "Explanation", - "panelInformation": "Information", - "predictedLabel": "Predicted label", - "predictedY": "Predicted: ", - "prefix": "Object: ", - "rows": "Rows: ", + "panelTitle": "Vybraná instance", + "panelExplanation": "Vysvětlení", + "panelInformation": "Informace", + "predictedLabel": "Predikovaný popisek", + "predictedY": "Předpověď: ", + "prefix": "Objekt: ", + "rows": "Řádky: ", "search": "Hledat", - "selectAll": "Select all", + "selectAll": "Vybrat vše", "settings": "Nastavení", - "showAll": "Show all", + "showAll": "Zobrazit vše", "tabOptionFirst": "Zobrazení Průzkumníka obrázků", "tabOptionSecond": "Zobrazení tabulky", - "tabOptionThird": "Class view", + "tabOptionThird": "Zobrazení tříd", "thumbnailSize": "Velikost miniatury", "titleBarError": "Chybové instance", "titleBarSuccess": "Instance úspěchu", - "trueY": "Ground truth: " + "trueY": "Základní pravda: " } }, "ModelAssessment": { @@ -1228,15 +1228,15 @@ "CalloutContent": "Přidání některých komponent (stromové zobrazení chyb, heat mapa chyb) vám umožní filtrovat data z globální kohorty, kterou vidíte v níže uvedených komponentách.", "CalloutTitle": "Přidat komponentu", "TabAddedMessage": { - "DataAnalysis": "Data analysis component added", - "FeatureImportances": "Feature importances component added", - "ErrorAnalysis": "Error analysis component added", - "Fairness": "Fairness component added", - "ModelOverview": "Model overview component added", - "CausalAnalysis": "Causal analysis component added", - "Counterfactuals": "Counterfactuals component added", - "Vision": "Vision data explorer component added", - "Forecasting": "Forecasting what-if component added" + "DataAnalysis": "Byla přidána komponenta analýzy dat", + "FeatureImportances": "Přidala se komponenta důležitosti funkcí", + "ErrorAnalysis": "Byla přidána komponenta analýzy chyb", + "Fairness": "Přidaná komponenta nestrannosti", + "ModelOverview": "Přidala se komponenta přehledu modelu", + "CausalAnalysis": "Přidala se komponenta kauzální analýzy", + "Counterfactuals": "Byla přidána komponenta counterfactuals.", + "Vision": "Přidala se komponenta Průzkumník dat zpracování obrazu", + "Forecasting": "Byla přidána komponenta eventuality předpovědi." } }, "CausalAnalysis": { @@ -1264,7 +1264,7 @@ }, "CohortInformation": { "ShiftCohort": "Přepnout kohortu", - "SwitchTimeSeries": "Switch time series", + "SwitchTimeSeries": "Přepnout časovou řadu", "NewCohort": "Nová kohorta", "DataPoints": "Počet datových bodů", "DefaultCohort": " (výchozí)", @@ -1276,7 +1276,7 @@ "CohortSettingsTitle": "Nastavení kohorty" }, "ComponentNames": { - "ChartView": "Chart view", + "ChartView": "Zobrazení grafu", "CausalAnalysis": "Analýza příčin", "Counterfactuals": "Kontrafaktuály", "DataAnalysis": "Analýza dat", @@ -1285,10 +1285,10 @@ "ErrorAnalysis": "Analýza chyb", "Fairness": "Nestrannost", "FeatureImportances": "Významnost atributů", - "Forecasting": "Forecasting", + "Forecasting": "Prognózování", "ModelOverview": "Přehled modelu", - "TableView": "Table view", - "VisionTab": "Vision data explorer" + "TableView": "Zobrazení tabulky", + "VisionTab": "Průzkumník dat zpracování obrazu" }, "DashboardSettings": { "Content": "Tento seznam zobrazuje rozložení řídicího panelu. Data můžete filtrovat pomocí komponenty analýzy chyb, která se zobrazí v následujících komponentách.", @@ -1446,17 +1446,17 @@ "CorrectPredictions": "Správné predikce", "GlobalExplanation": "Význam agregovaného atributu", "IncorrectPredictions": "Nesprávné predikce", - "InfoTitle": "Additional information on data analysis table view", - "IndividualFeatureTabular": "Select a datapoint by clicking on a datapoint (up to 5 datapoints) in the table to view their local feature importance values (local explanation) and individual conditional expectation (ICE) plots.", - "IndividualFeatureText": "Select a datapoint by clicking on a datapoint in the table to view the local feature importance values (local explanation).", + "InfoTitle": "Další informace o zobrazení tabulky analýzy dat", + "IndividualFeatureTabular": "Výběrem datového bodu kliknutím na datový bod (až 5 datových bodů) v tabulce zobrazíte jejich místní hodnoty důležitosti funkcí (místní vysvětlení) a grafy jednotlivých podmíněných očekávání (ICE).", + "IndividualFeatureText": "Výběrem datového bodu kliknutím na datový bod v tabulce zobrazíte hodnoty důležitosti místních funkcí (místní vysvětlení).", "LocalExplanation": "Významnost jednotlivých atributů", "SelectionCounter": "{0}/{1} vybraných datových bodů", "SelectionLimit": "V tuto chvíli je možné vybrat až 5 datových bodů.", - "RowCheckboxAriaLabel": "Row checkbox", - "SelectionColumnAriaLabel": "Toggle selection" + "RowCheckboxAriaLabel": "Zaškrtávací políčko řádku", + "SelectionColumnAriaLabel": "Přepnout výběr" }, "IndividualFeatureImportanceView": { - "SmallInstanceSelection": "Instance selection" + "SmallInstanceSelection": "Výběr instance" }, "MainMenu": { "DashboardSettings": "Konfigurace řídicího panelu", @@ -1472,44 +1472,44 @@ "ModelOverview": { "metrics": { "accuracy": { - "name": "Accuracy score", + "name": "Skóre přesnosti", "description": "Část správně klasifikovaných datových bodů" }, "exactMatchRatio": { - "name": "Exact match ratio", - "description": "The ratio of instances classified correctly for every label." + "name": "Poměr přesných shod", + "description": "Poměr instancí klasifikovaných správně pro každý popisek." }, "meteorScore": { - "name": "Meteor Score", - "description": "METEOR Score is calculated based on the harmonic mean of precision and recall, with recall weighted more than precision in question answering task." + "name": "Skóre Meteor", + "description": "Skóre METEOR se počítá na základě středního průměru přesnosti a úplnosti, přičemž v úloze odpovídání na otázky má úplnost větší váhu než přesnost." }, "bleuScore": { - "name": "Bleu Score", - "description": "Bleu Score measures the ratio of words (and/or n-grams) in the machine generated text that appeared in the reference text in question answering task." + "name": "Skóre Bleu", + "description": "Skóre Bleu měří poměr slov (nebo n-gramů) v strojově generovaném textu, který se objevil v referenčním textu v úloze zodpovězení otázky." }, "bertScore": { - "name": "Bert Score", - "description": "BERTScore focuses on computing semantic similarity between tokens of reference and machine generated text in question answering task." + "name": "Skóre Bert", + "description": "BERTScore se zaměřuje na výpočet sémantické podobnosti mezi tokeny odkazu a strojově generovaným textem v úloze odpovědi na otázky." }, "rougeScore": { - "name": "Rouge Score", - "description": "Rouge Score measures the ratio of words (and/or n-grams) in the reference text that appeared in the machine generated text in question answering task." + "name": "Skóre Rouge", + "description": "Score Rouge měří poměr slov (nebo n-gramů) v referenčním textu, který se objevil v strojově generovaném textu v úloze zodpovězení otázky." }, "hammingScore": { - "name": "Hamming score", - "description": "The average ratio of labels classified correctly among those classified as 1 in multilabel task." + "name": "Hammingovo skóre", + "description": "Průměrný poměr popisků klasifikovaných správně mezi popisky klasifikovanými jako 1 v úloze s více popisky." }, "f1Score": { "name": "Skóre F1", "description": "Skóre F1 je harmonický průměr přesnosti a úplnosti." }, "f1ScoreMacro": { - "name": "Macro F1 score", - "description": "Macro F1 score is the harmonic mean of precision and recall for each class, with each class weighted equally." + "name": "Skóre Macro F1", + "description": "Skóre makra F1 je střední průměr přesnosti a úplnosti pro každou třídu, přičemž každá třída má stejnou váhu." }, "f1ScoreMicro": { - "name": "Micro F1 score", - "description": "Micro F1 score is the harmonic mean of precision and recall for each class, with each class weighted according to how many instances it contains." + "name": "Skóre Micro F1", + "description": "Skóre Micro F1 je střední průměr přesnosti a úplnosti pro každou třídu, přičemž každá třída má váhu podle toho, kolik instancí obsahuje." }, "meanAbsoluteError": { "name": "Střední absolutní chyba", @@ -1524,24 +1524,24 @@ "description": "Část správně klasifikovaných datových bodů mezi body klasifikovanými jako 1" }, "precisionMacro": { - "name": "Macro Precision score", - "description": "The fraction of data points classified correctly among those classified as 1 for each class with each class weighted equally." + "name": "Skóre makropřesnosti", + "description": "Zlomek datových bodů klasifikovaných správně mezi těmi, jejichž skutečný popisek je 1 pro každou třídu se stejnou váhou každé třídy." }, "precisionMicro": { - "name": "Micro Precision score", - "description": "The fraction of data points classified correctly among those classified as 1 for each class with each class weighted according to how many instances it contains." + "name": "Skóre mikropřesnosti", + "description": "Podíl správně klasifikovaných datových bodů mezi body klasifikovanými jako 1 pro každou třídu s váženou každou třídou podle toho, kolik instancí obsahuje." }, "recall": { "name": "Skóre úplnosti", "description": "Část správně klasifikovaných datových bodů mezi body, jejichž skutečný popisek je 1. Alternativní názvy: míra pravdivě pozitivních predikcí, citlivost" }, "recallMacro": { - "name": "Macro Recall score", - "description": "The fraction of data points classified correctly among those whose true label is 1 for each class with each class weighted equally." + "name": "Skóre úplnosti makra", + "description": "Podíl správně klasifikovaných datových bodů mezi těmi, jejichž skutečný popisek je 1 pro každou třídu se stejnou váhou každé třídy." }, "recallMicro": { - "name": "Micro Recall score", - "description": "The fraction of data points classified correctly among those whose true label is 1 for each class with each class weighted according to how many instances it contains." + "name": "Skóre mikroúplnosti", + "description": "Podíl správně klasifikovaných datových bodů mezi těmi, jejichž skutečný popisek je 1 pro každou třídu s každou třídou váženou podle toho, kolik instancí obsahuje." }, "falsePositiveRate": { "name": "Falešně pozitivní výsledek", @@ -1560,32 +1560,32 @@ "description": "Průměr všech predikcí." }, "meanAveragePrecision": { - "name": "Mean Average Precision score", - "description": "Mean average precision for object detection models is the average of AP (average precision) across all classes. This evaluates the robustness of your object detection model and encapsulates the tradeoff between precision and recall." + "name": "Průměrné skóre přesnosti", + "description": "Průměrná přesnost modelů detekce objektů je průměr AP (average precision = průměrná přesnost) ve všech třídách. Tím se vyhodnotí robustnost modelu rozpoznávání objektů a zapouzdří se kompromis mezi přesností a úplností." }, "averagePrecision": { - "name": "Average Precision score", - "description": "Average precision for object detection models is calculated for a selected class." + "name": "Průměrné skóre přesnosti", + "description": "Průměrná přesnost modelů detekce objektů se počítá pro vybranou třídu." }, "averageRecall": { - "name": "Average Recall score", - "description": "Average recall for object detection models is calculated for a selected class." + "name": "Průměrné skóre úplnosti", + "description": "Průměrná úplnost modelů detekce objektů se počítá pro vybranou třídu." }, "fairnessMetricDifference": "Rozdíl", "fairnessMetricRatio": "Poměr" }, "metricsDropdown": "Metriky", - "metricsTypeDropdown": "Aggregate method", + "metricsTypeDropdown": "Agregační metoda", "metricTypes": { - "macro": "Macro", - "micro": "Micro" + "macro": "Makro", + "micro": "Mikro" }, - "classSelectionDropdown": "Select class(es)", + "classSelectionDropdown": "Výběr tříd(y)", "iouThresholdDropdown": { - "name": "IoU Threshold", - "description": "Intersection over Union quantifies the degree of overlap between the prediction and ground truth bounding box of a detected object in an image. For example, setting an IoU threshold of 70% means that a prediction with greater than 70% overlap with ground truth is True, thus influencing the definition of prediction correctness and calculation of other performance metrics.", + "name": "Prahová hodnota IoU", + "description": "Průnik přes sjednocení kvantifikuje stupeň překrytí mezi predikcí a ohraničujícím rámečkem ohraničující pravdu u zjištěného objektu na obrázku. Například nastavení prahové hodnoty IoU na 70 % znamená, že predikce s více než 70 % překrytí se základní pravdivostí je True, což ovlivňuje definici správnosti předpovědi a výpočtu jiných metrik výkonu.", "iconId": "iouThresholdIconId", - "title": "Learn about the IoU threshold" + "title": "Další informace o prahové hodnotě IoU" }, "notAvailable": "Není k dispozici", "countColumnHeader": "Ukázková velikost", @@ -1597,14 +1597,14 @@ "featuresDropdown": "Funkce", "metricChartDropdownSelectionHeader": "Metrika", "probabilityForClassSelectionHeader": "Pravděpodobnost pro třídu", - "targetSelectionHeader": "Target", + "targetSelectionHeader": "Cíl", "metricSelectionDropdownPlaceholder": "Vyberte metriky pro porovnání kohort.", - "classSelectionDropdownPlaceholder": "Select class name for class-based analysis.", + "classSelectionDropdownPlaceholder": "Vyberte název třídy pro analýzu založenou na třídě.", "featureSelectionDropdownPlaceholder": "Vyberte funkce, které se mají použít pro analýzu založenou na funkcích.", "probabilityDistributionPivotItem": "Rozdělení pravděpodobnosti", - "regressionDistributionPivotItem": "Target distribution", + "regressionDistributionPivotItem": "Cílová distribuce", "metricsVisualizationsPivotItem": "Vizualizace metrik", - "confusionMatrixPivotItem": "Confusion matrix", + "confusionMatrixPivotItem": "Konfuzní matice", "disaggregatedAnalysisFeatureSelectionPlaceholder": "Vyberte funkce pro vygenerování analýzy založené na funkcích.", "tableCountTooltip": "Kohorta {0} obsahuje {1} instance.", "tableMetricTooltip": "{0} modelu na kohortě {1} je {2}.", @@ -1615,36 +1615,36 @@ "metricSelectionButton": "Zvolit metriku", "cohortSelectionButton": "Zvolit kohorty", "probabilityLabelSelectionButton": "Zvolit popisek", - "regressionTargetSelectionButton": "Choose target", + "regressionTargetSelectionButton": "Zvolte cíl.", "selectAllCohortsOption": "Vybrat vše", "other": "Jiné", "BoxPlot": { "outlierProbability": "pravděpodobnost", "outlierLabel": "Odlehlé hodnoty", "boxPlotSeriesLabel": "Krabicový graf", - "lowerWhisker": "Lower whisker", - "upperWhisker": "Upper whisker", - "median": "Median", - "lowerQuartile": "Lower quartile", - "upperQuartile": "Upper quartile" + "lowerWhisker": "Dolní vous", + "upperWhisker": "Horní vous", + "median": "Medián", + "lowerQuartile": "Dolní kvartil", + "upperQuartile": "Horní kvartil" }, "chartConfigApply": "Použít", "chartConfigCancel": "Zrušit", "chartConfigDatasetCohortSelectionPlaceholder": "Vybrat kohorty datových sad", "chartConfigFeatureBasedCohortSelectionPlaceholder": "Vybrat kohorty založené na funkcích", "confusionMatrix": { - "confusionMatrixCohortSelectionLabel": "Select dataset cohort", - "confusionMatrixClassSelectionLabel": "Select classes", - "confusionMatrixClassMinSelectionError": "Select at least {0} classes to visualize the confusion matrix.", - "confusionMatrixClassMaxSelectionError": "Select at most {0} classes to visualize the confusion matrix.", - "confusionMatrixClassSelectionDefaultPlaceholder": "Choose classes", - "confusionMatrixHeatmapTooltip": "{0} datapoints should be {1}, predicted to be {2}", - "confusionMatrixYAxisLabel": "True Class", - "confusionMatrixXAxisLabel": "Predicted Class", - "class": "Class" + "confusionMatrixCohortSelectionLabel": "Vybrat kohortu datové sady", + "confusionMatrixClassSelectionLabel": "Vybrat třídy", + "confusionMatrixClassMinSelectionError": "Vyberte alespoň {0} tříd(y) pro vizualizaci matice záměn.", + "confusionMatrixClassMaxSelectionError": "Pokud chcete vizualizovat matici záměn, vyberte maximálně {0} tříd(y).", + "confusionMatrixClassSelectionDefaultPlaceholder": "Zvolte třídy", + "confusionMatrixHeatmapTooltip": "{0} datové body by měly být {1}, předpovězeny jako {2}", + "confusionMatrixYAxisLabel": "Skutečná třída", + "confusionMatrixXAxisLabel": "Predikovaná třída", + "class": "Třída" }, "nA": "Není k dispozici", - "disaggregatedAnalysisBaseCohortDisclaimer": "The cohorts in the following feature-based analysis are based on the global cohort, {0}.", + "disaggregatedAnalysisBaseCohortDisclaimer": "Kohorty v následující analýze založené na funkcích jsou založené na globální kohortě, {0}.", "disaggregatedAnalysisBaseCohortWarning": "Na rozdíl od kohorty {0} {1} zahrnuje filtry. V důsledku toho zachycuje jen podmnožinu celé datové sady a přehledy se nemusí zobecnit na úplnou datovou sadu.", "probabilitySplineChartToggleLabel": "Použít spojnicový graf", "countAxisLabel": "Počet", @@ -1674,76 +1674,76 @@ "flyoutDescription": "Můžete se rozhodnout zobrazit kohorty datových sad nebo kohorty funkcí. Pokud jsou kohorty funkcí nedostupné, musíte nejdřív vybrat jednu nebo více funkcí v zobrazení kohort funkcí. Následně se vygenerují kohorty funkcí a tady je můžete vybrat." }, "regressionTargetOptions": { - "predictedY": "Predicted Y", - "trueY": "True Y", - "error": "Error" + "predictedY": "Predikované Y", + "trueY": "Skutečné Y", + "error": "Chyba" }, "topLevelDescription": "Vyhodnoťte výkon modelu zkoumáním distribuce hodnot predikce a hodnot metrik výkonu modelu. Kartu Kohorty datových sad můžete použít k prozkoumání modelu tím, že se podíváte na srovnávací analýzu jeho výkonu v různých předem vytvořených nebo nově vytvořených kohortách datových sad. Pomocí kohort funkcí prozkoumejte model tím, že se podíváte na srovnávací analýzu jeho výkonu napříč citlivými a necitlivými dílčími kohortami funkcí. (například výkon napříč různými pohlavími, úrovně příjmu).", - "infoTitle": "Additional information on model overview", + "infoTitle": "Další informace o přehledu modelu", "visualDisplayToggleLabel": "Zobrazit heat mapu", "featureBasedViewDescription": "Pokud si chcete zobrazit rozpis výkonu modelu v kohortách založených na funkcích (pokud je vybraná jedna funkce), nebo průnikových kohortách (pokud jsou vybrané dvě funkce), vyberte až dvě funkce." }, "TableViewTab": { - "Heading": "View the dataset in a table format for all features and rows." + "Heading": "Umožňuje zobrazit datovou sadu ve formátu tabulky pro všechny funkce a řádky." } }, "Forecasting": { - "target": "Target", - "whatIfForecastingHeader": "What-if analysis", - "forecastHeader": "Forecast analysis", - "whatIfForecastingDescription": "What-if allows you to perturb features for your entire time series and observe how the model's forecast changes.", - "whatIfForecastingChooseTimeSeries": "To start, choose a time series from the options below.", - "forecastDescription": "Forecast analysis compares your model's forecast to the actual values of your time series. To enable what-if analysis, provide a dataset with features.", - "timeSeries": "Time series", - "selectTimeSeries": "Select a time series.", - "singleTimeSeries": "The dataset contains only a single time series '{0}' which has been selected by default.", - "trueY": "True Y", - "baselinePrediction": "Baseline prediction", - "forecastComparisonHeader": "Compare What-if Forecasts", - "forecastComparisonChartTitle": "Forecasts", - "forecastComparisonChartTimeAxisLabel": "Time", + "target": "Cíl", + "whatIfForecastingHeader": "Citlivostní analýza", + "forecastHeader": "Analýza prognózy", + "whatIfForecastingDescription": "Eventualita vám umožňuje perturbovat funkce pro celou časovou řadu a sledovat, jak se prognóza modelu mění.", + "whatIfForecastingChooseTimeSeries": "Začněte tím, že z možností níže zvolíte časovou řadu.", + "forecastDescription": "Analýza prognózy porovná prognózu vašeho modelu se skutečnými hodnotami vaší časové řady. Pokud chcete povolit citlivostní analýzu, poskytněte datovou sadu s funkcemi.", + "timeSeries": "Časová řada", + "selectTimeSeries": "Vyberte časovou řadu.", + "singleTimeSeries": "Datová sada obsahuje pouze jednu časovou řadu „{0}“, která byla ve výchozím nastavení vybrána.", + "trueY": "Skutečné Y", + "baselinePrediction": "Predikce základní úrovně", + "forecastComparisonHeader": "Porovnání prognóz eventualit", + "forecastComparisonChartTitle": "Prognózy", + "forecastComparisonChartTimeAxisLabel": "Čas", "Transformations": { - "multiply": "multiply", - "divide": "divide", - "add": "add", - "subtract": "subtract", - "change": "change to" + "multiply": "násobení", + "divide": "dělení", + "add": "sčítání", + "subtract": "odčítání", + "change": "změnit na" }, "TransformationCreation": { - "title": "Create what-if scenario", - "nameLabel": "What-if scenario name", - "featureInstructions": "Choose a feature to perturb.", - "operationInstructions": "Choose an operation to apply to the feature.", - "operationDropdownHeader": "Operation", - "featureDropdownHeader": "Feature", - "valueSpinButtonHeader": "Value", - "scenarioNamingInstructionsPlaceholder": "Enter a unique name", - "scenarioNamingInstructions": "Enter a name for your what-if scenario.", - "scenarioNamingCollisionMessage": "This name exists already. Please enter a unique name.", - "scenarioNamingLengthMessage": "The name must be between 1 and 50 characters. The actual length is {0}.", - "scenarioNamingInvalidCharactersMessage": "The name can only contain alphanumeric characters, whitespaces, dashes, or underscores, and needs to start with an alphanumeric character.", - "valueErrorMessage": "For operation {0} please select a value other than {1}.", - "invalidCombinationErrorMessage": "This is identical to an existing what-if scenario. Please change the feature, operation, or value.", - "addTransformationButton": "Add Transformation", - "divisionAndMultiplicationBy": "by" + "title": "Vytvoření scénáře eventuality", + "nameLabel": "Název scénáře eventuality", + "featureInstructions": "Zvolte funkci, která se má perturbovat.", + "operationInstructions": "Zvolte operaci, která se má použít u vlastnosti.", + "operationDropdownHeader": "Operace", + "featureDropdownHeader": "Atribut", + "valueSpinButtonHeader": "Hodnota", + "scenarioNamingInstructionsPlaceholder": "Zadejte jedinečný název", + "scenarioNamingInstructions": "Zadejte název pro scénář eventuality.", + "scenarioNamingCollisionMessage": "Tento název již existuje. Zadejte jedinečný název.", + "scenarioNamingLengthMessage": "Název musí mít 1 až 50 znaků. Skutečná délka je {0}.", + "scenarioNamingInvalidCharactersMessage": "Název může obsahovat jenom alfanumerické znaky, prázdné znaky, spojovníky nebo podtržítka a musí začínat alfanumerickým znakem.", + "valueErrorMessage": "Pro operaci {0} vyberte jinou hodnotu než {1}.", + "invalidCombinationErrorMessage": "Je to stejné jako u existujícího scénáře eventuality. Změňte prosím funkci, operaci nebo hodnotu.", + "addTransformationButton": "Přidat transformaci", + "divisionAndMultiplicationBy": "podle" }, "TransformationTable": { - "nameColumnHeader": "Name", - "methodColumnHeader": "Method", - "divisionAndMultiplicationBy": "by ", - "header": "What-if Forecasts ({0})" + "nameColumnHeader": "Název", + "methodColumnHeader": "Metoda", + "divisionAndMultiplicationBy": "podle ", + "header": "Prognózy eventualit ({0})" }, "TimeSeries": { - "apply": "Apply", - "cancel": "Cancel", - "cohortList": "Time series list", - "selectCohort": "Select a time series", - "shiftCohort": "Switch time series", - "shiftCohortDescription": "Select a time series from the time series list. Apply the time series to the dashboard." + "apply": "Použít", + "cancel": "Zrušit", + "cohortList": "Seznam časových řad", + "selectCohort": "Vyberte časovou řadu", + "shiftCohort": "Přepnout časovou řadu", + "shiftCohortDescription": "Vyberte časovou řadu ze seznamu časových řad. Použije časovou řadu na řídicí panel." }, "TimeSeriesSettings": { - "CohortSettingsDescription": "Time series are pre-defined based on time series identifying columns.", - "CohortSettingsTitle": "Time series settings" + "CohortSettingsDescription": "Časové řady jsou předem definované na základě časových řad identifikujících sloupce.", + "CohortSettingsTitle": "Nastavení časových řad" } } } \ No newline at end of file diff --git a/libs/localization/src/lib/en.de.json b/libs/localization/src/lib/en.de.json index 52964d9cc5..898c57628e 100644 --- a/libs/localization/src/lib/en.de.json +++ b/libs/localization/src/lib/en.de.json @@ -3,26 +3,26 @@ "close": "Schließen", "tooltipButton": "QuickInfo-Schaltfläche", "identityFeature": "Identitätsfeature", - "infoTitle": "Additional information", + "infoTitle": "Zusätzliche Informationen", "spinButton": "Spin", - "editButton": "Edit", - "decreaseValue": "Decrease value", - "increaseValue": "Increase value", - "decreaseValueByOne": "Decrease value by 1", - "increaseValueByOne": "Increase value by 1", - "loading": "Loading..." + "editButton": "Bearbeiten", + "decreaseValue": "Wert verringern", + "increaseValue": "Wert erhöhen", + "decreaseValueByOne": "Wert um 1 verringern", + "increaseValueByOne": "Wert um 1 erhöhen", + "loading": "Wird geladen..." }, "ChartContextMenu": { - "hideData": "Hide data table", - "viewData": "View data table", - "viewInFullScreen": "View in full screen", - "printChart": "Print chart", - "downloadCSV": "Download CSV", - "downloadPNG": "Download PNG image", - "downloadJPEG": "Download JPEG image", - "downloadPDF": "Download PDF document", - "downloadSVG": "Download SVG vector image", - "downloadXLS": "Download XLS" + "hideData": "Datentabelle ausblenden", + "viewData": "Datentabelle anzeigen", + "viewInFullScreen": "Im Vollbildmodus anzeigen", + "printChart": "Diagramm drucken", + "downloadCSV": "CSV herunterladen", + "downloadPNG": "PNG-Bild herunterladen", + "downloadJPEG": "JPEG-Bild herunterladen", + "downloadPDF": "PDF-Dokument herunterladen", + "downloadSVG": "SVG-Vektorbild herunterladen", + "downloadXLS": "XLS herunterladen" }, "CausalAnalysis": { "AggregateView": { @@ -39,7 +39,7 @@ "description": "Die Ursachenanalyse beantwortet Was-wäre-wenn-Fragen darüber, wie sich die Ergebnisse in der realen Welt mit unterschiedlichen Richtlinieneinstellungen verändert hätten, z. B. durch eine andere Preisstrategie für ein Produkt oder eine alternative Behandlung für einen Patienten. Im Gegensatz zu Modellvorhersagen, die wichtige Korrelationsmuster identifizieren, unterstützen diese Tools Sie beim Identifizieren der wichtigsten kausalen Features, die sich direkt auf das relevante Ergebnis auswirken. Diese Modelle identifizieren den kausalen Effekt eines Features (normalerweise als „Behandlung“ bezeichnet) und halten andere störende Features konstant. Um optimale Ergebnisse zu erzielen, sollten Sie sicherstellen, dass der vollständige Dataset alle verfügbaren Features enthält, die möglicherweise als Störfaktoren mit dem Ergebnis korrelieren.", "directAggregate": "Direkte aggregierte kausale Wirkung der einzelnen Behandlungen mit einem Konfidenzintervall von 95 %", "here": "hier", - "infoTitle": "Additional information on aggregated causal effects", + "infoTitle": "Zusätzliche Informationen zu aggregierten kausalen Auswirkungen", "lasso": "Ein Lasso (oder eine logistische Regression, wenn y binär ist) war für die Vorhersage von y aus X[-i] geeignet, und ein Lasso (oder eine logistische Regression, wenn X[i] kategorisch ist) war für die Vorhersage von X[i] von Χ[-i] geeignet. Der kausale Effekt kann als durchschnittliche Korrelation der Residuals/Überraschungsvariationen der beiden Vorhersageaufgaben betrachtet werden. Weitere Informationen zu Double Machine Learning", "unconfounding": "Was sind verwirrende Features?" }, @@ -51,7 +51,7 @@ "description": "Individuelle kausale Effekte können personalisierte Interventionen beeinflussen, z. B. eine gezielte Werbung für Kunden oder einen individualisierten Behandlungsplan. Wie würde eine Person mit einer bestimmten Gruppe von Features auf eine Änderung eines kausalen Features oder einer Behandlung reagieren? Das kausale Was-wäre-wenn-Tool berechnet geringfügige Änderungen bei realen Ergebnissen für eine bestimmte Person, wenn Sie deren Behandlungsgrad ändern. Mit dieser Analyse können Sie verstehen, wie sich reale Ergebnisse bei unterschiedlichen Richtlinieneinstellungen geändert hätten, z. B. eine andere Preisstrategie für ein Produkt oder eine alternative Behandlung für einen Patienten. Legen Sie die Behandlung von Interesse fest, und beobachten Sie, wie sich das reale Ergebnis ändern würde.", "directIndividual": "Direkte individuelle kausale Wirkung der einzelnen Behandlungen mit einem Konfidenzintervall von 95 %", "index": "Datenpunktindex", - "infoTitle": "Additional information on individual causal what-if", + "infoTitle": "Zusätzliche Informationen zu einzelnen kausalen Was-wäre-wenn-Vorgängen", "missingParameters": "Auf dieser Registerkarte muss ein Auswertungsdataset angegeben werden.", "newOutcome": "Neues Ergebnis", "selectTreatment": "Behandlung auswählen", @@ -85,7 +85,7 @@ "averageGainBinary": "Durchschnittliche Gewinne beim Festlegen der Behandlung {0} auf ihren Baselinewert {1}.", "averageGainContinuous": "Durchschnittliche Zunahmen alternativer Richtlinien gegenüber \"{0}\"-Behandlung.", "header": "Diese Tools helfen beim Erstellen von Richtlinien für zukünftige Interventionen. Sie können ermitteln, in welchen Teilen Ihrer Stichprobe die größten Reaktionen auf Änderungen an kausalen Features (oder Behandlungen) aufgetreten sind, und Regeln erstellen, um zu definieren, welche zukünftigen Populationen für bestimmte Interventionen vorgesehen sein sollen.", - "infoTitle": "Additional information on treatment policy", + "infoTitle": "Zusätzliche Informationen zur Behandlungsrichtlinie", "nSample": "n = {0}", "noData": "Keine Daten" } @@ -116,8 +116,8 @@ "cancel": "Abbrechen", "title": "Kohorte wechseln", "subText": "Wählen Sie eine Kohorte aus der Kohortenliste aus. Wenden Sie die Kohorte auf das Dashboard an.", - "selectCohort": "Select a cohort", - "cohortList": "Cohort list" + "selectCohort": "Kohorte auswählen", + "cohortList": "Kohortenliste" }, "PreBuiltCohort": { "featureNameNotFound": "Der Featurename wurde im Dataset nicht gefunden.", @@ -148,13 +148,13 @@ "predictedClass": "Vorhergesagte Klasse", "predictedValue": "Vorhergesagter Wert" }, - "Size": "Size", - "loading": "Loading...", + "Size": "Größe", + "loading": "Wird geladen...", "counterfactualEx": "Kontrafaktisches Beispiel {0}", "counterfactualName": "Was-wäre-wenn-Alternativnamen", "createWhatIfCounterfactual": "Was-wäre-wenn-Kontrafaktischnamen erstellen", "createCounterfactual": "Kontrafaktisch", - "revertToBubbleChart": "View bubble chart", + "revertToBubbleChart": "Blasendiagramm anzeigen", "createOwn": "Erstellen Sie Ihr eigenes kontrafaktisches Beispiel:", "currentClass": "Aktuelle Klasse", "currentRange": "Aktueller Bereich", @@ -167,9 +167,9 @@ "listDescription": "Diese Liste zeigt, welche Datenpunkte in der aktuellen Datenstichprobe die größte kausale Antwort auf die ausgewählte Behandlung haben, basierend auf allen Features, die im geschätzten kausalen Modell enthalten sind. Die linken fünf Spalten geben an, ob die Behandlung für die Beobachtung empfohlen wird, die aktuelle Behandlung, den geschätzten Effekt der Behandlung (Effekt der Anwendung einer Behandlung von einer Baseline ohne Behandlung für binäre Behandlungen oder das Erhöhen/Verringern des Behandlungsfeatures um 10 % der typischen Behandlungsgröße in der Stichprobe: [dynamisch: melden Sie die numerische Änderung der von uns verwendeten Behandlung] ) und die unteren und oberen Konfidenzintervalle (Confidence Intervals, CI) für diesen Effekt. Die restlichen Spalten zeigen den aktuellen Behandlungsstatus und andere Features jeder Beobachtung.", "localImportanceDescription": "Die am häufigsten bewerteten Features in Zeile {0}, die gestört werden müssen, um die gewünschte Modellvorhersage zu erreichen. Basierend auf der Was-wäre-wenn-Analyse für die Vorhersage: {1}", "localImportanceSelectData": "Wählen Sie einen Datenpunkt aus, um das Diagramm für die lokale Wichtigkeit anzusehen.", - "largeLocalImportanceSelectData": "Select a bubble, followed by a data point to view local importance chart", - "localImportanceFetchError": "There was an error while fetching the local importance data. Error details: {0} Please check the data used.", - "BubbleChartFetchError": "There was an error while fetching the data. Error details: {0} Please check the data used.", + "largeLocalImportanceSelectData": "Wählen Sie eine Blase aus, gefolgt von einem Datenpunkt, um das Diagramm für die lokale Wichtigkeit anzusehen.", + "localImportanceFetchError": "Fehler beim Abrufen der lokalen Wichtigkeitsdaten. Fehlerdetails: {0} Überprüfen Sie die verwendeten Daten.", + "BubbleChartFetchError": "Fehler beim Abrufen der Daten. Fehlerdetails: {0} Überprüfen Sie die verwendeten Daten.", "noData": "Keine Daten", "noFeatures": "Keine Features verfügbar", "panelDescription": "Durchsuchen Sie kontrafaktische Werte und erstellen Sie Ihre eigenen. Suchen Sie nach Features, um vorgeschlagene Werte aus einer Vielzahl von kontrafaktischen Beispielen anzuzeigen. Legen Sie einen vorgeschlagenen kontrafaktischen Featurewert fest, indem Sie unter jedem kontrafaktischen Namen auf den Text „Wert festlegen“ klicken. Benennen Sie Ihren kontrafaktischen Wert, und speichern Sie ihn.", @@ -217,13 +217,13 @@ "subText": "Mehr über die ausgewählte Kohorte erfahren. Den Kohortennamen bearbeiten. Diese Kohorte löschen." }, "FeatureList": { - "featureList": "Feature List", + "featureList": "Featureliste", "apply": "Anwenden", "features": "Attribute", "importances": "Wichtigkeiten", "treeMapDescription": "Wenn Sie die Strukturkarte erneut trainieren möchten, wählen Sie die folgenden Attribute aus und speichern Sie sie. Die Wichtigkeit von Features wurde unter Verwendung gemeinsamer Informationen mit dem Fehler auf den tatsächlichen Beschriftungen berechnet. Verwenden Sie sie als Richtlinie zum Trainieren der Strukturkarte.", "staticTreeMapDescription": "Zeigen Sie die Features an, die zum Trainieren der Strukturkarte verwendet wurden. Die Featurerelevanzen wurden mithilfe von gegenseitigen Informationen mit dem Fehler für die echten Bezeichnungen berechnet.", - "searchResultMessage": "Results displayed out of {resultLength} for {searchValue}" + "searchResultMessage": "Von {resultLength} für {searchValue} angezeigte Ergebnisse" }, "TreeViewParameters": { "maximumDepth": "Maximale Tiefe", @@ -289,7 +289,7 @@ "disabledWarning": "Das Fehlerwärmebild ist deaktiviert, es sei denn, die globale Kohorte wird aufgrund des für das vollständige Dataset generierten Wärmebild auf \"Alle Daten\" darstellen, umgestellt. Wechseln Sie zurück zum vollständigen Dataset, um das Fehlerwärmebild anzuzeigen." }, "MatrixSummary": { - "heatMapInfoTitle": "Additional information on heat map", + "heatMapInfoTitle": "Weitere Informationen zu Heatmap", "heatMapDescription": "Mit dem Wärmebild können Sie sich auf bestimmte überschneidende Featurefilter konzentrieren und disaggregierte Fehlerquoten berechnen. Beginnen Sie mit zwei zu vergleichenden Datasetfeatures.", "heatMapStaticDescription": "Mit dem Wärmebild können Sie sich auf bestimmte Schnittpunktfunktionsfilter konzentrieren und aufgeschlüsselte Fehlerraten berechnen. Es müssen bis zu zwei Features ausgewählt werden, um ein Wärmebild über das SDK zu erstellen, bevor das Dashboard angezeigt wird." }, @@ -305,108 +305,108 @@ }, "Metrics": { "AccuracyScore": { - "Name": "Accuracy score", - "Info": "The accuracy score represents the ratio of correct to total instances in the data.", - "Short": "Accuracy", - "Title": "Additional information on accuracy score" + "Name": "Genauigkeitsbewertung", + "Info": "Die Genauigkeitsbewertung stellt das Verhältnis von richtigen Instanzen zur Gesamtzahl der Instanzen in den Daten dar.", + "Short": "Genauigkeit", + "Title": "Zusätzliche Informationen zur Genauigkeitsbewertung" }, "ErrorRate": { - "Name": "Error rate", - "Info": "The error rate represents the percentage of instances in the node for which the system has failed.", - "Short": "Error rate", - "Title": "Additional information on error rate" + "Name": "Fehlerquote", + "Info": "Die Fehlerrate stellt den Prozentsatz der Instanzen im Knoten dar, bei denen das System fehlgeschlagen ist.", + "Short": "Fehlerquote", + "Title": "Weitere Informationen zur Fehlerquote" }, "F1Score": { - "Name": "F1 score", - "Info": "The F1 score is the harmonic mean of the precision and recall metrics.", - "Short": "F1 score", - "Title": "Additional information on F1 score" + "Name": "F1-Score", + "Info": "Der F1-Score ist das harmonische Mittel der Genauigkeits- und Abrufmetriken.", + "Short": "F1-Score", + "Title": "Weitere Informationen zum F1-Score" }, "MeanAbsoluteError": { - "Name": "Mean absolute error", - "Info": "The mean absolute error is the average of the sum of the errors.", - "Short": "Mean abs. error", - "Title": "Additional information on mean absolute error" + "Name": "Mittlere absolute Abweichung", + "Info": "Der mittlere absolute Fehler ist der Durchschnitt der Summe der Fehler.", + "Short": "Mittlerer abs. Error", + "Title": "Zusätzliche Informationen zu mittlerer absoluter Abweichung" }, "MeanSquaredError": { - "Name": "Mean squared error", - "Info": "The mean squared error is the average of the squares of the errors.", - "Short": "Mean sq. error", - "Title": "Additional information on mean squared error" + "Name": "Mittlere quadratische Abweichung", + "Info": "Die mittlere quadratische Abweichung ist der Durchschnitt der Quadrate der Abweichungen.", + "Short": "Mittlere Sq.-Fehler", + "Title": "Zusätzliche Informationen zu mittlerer quadratischer Abweichung" }, "Precision": { - "Name": "Precision score", - "Info": "The precision is the ratio of true positives over all predicted positives.", - "Short": "Precision", - "Title": "Additional information on precision" + "Name": "Genauigkeitsbewertung", + "Info": "Die Genauigkeit ist das Verhältnis von wahren positiven Treffern zu allen vorhergesagten positiven Treffern.", + "Short": "Genauigkeit", + "Title": "Zusätzliche Informationen zur Genauigkeit" }, "Recall": { - "Name": "Recall score", - "Info": "The recall is the ratio of true positives over all actual positives.", - "Short": "Recall", - "Title": "Additional information on recall" + "Name": "Rückrufsbewertung", + "Info": "Der Rückruf ist das Verhältnis von wahren positiven Treffern zu allen tatsächlich positiven Treffern.", + "Short": "Zurückziehen", + "Title": "Zusätzliche Informationen zum Rückruf" }, "MacroPrecision": { - "Name": "Macro averaged precision score", - "Info": "The macro averaged precision is the ratio of true positives over all predicted positives computed independently per class and averaged.", - "Short": "Macro precision", - "Title": "Additional information on macro averaged precision" + "Name": "Durch Makros gemittelte Genauigkeitsbewertung", + "Info": "Der durchschnittliche Makrorückruf ist das Verhältnis von wahren positiven Werten zu allen vorhergesagten positiven Werten, die unabhängig pro Klasse berechnet und gemittelt werden.", + "Short": "Makrogenauigkeit", + "Title": "Zusätzliche Informationen zur gemittelten Makrogenauigkeit" }, "MicroPrecision": { - "Name": "Micro averaged precision score", - "Info": "The micro averaged precision is the ratio of true positives over all predicted positives aggregated for all classes.", - "Short": "Micro precision", - "Title": "Additional information on micro averaged precision" + "Name": "Durch Mikro gemittelte Genauigkeitsbewertung", + "Info": "Der mikrodurchschnittliche Genauigkeit ist das Verhältnis von wahren positiven Werten im Vergleich zu allen vorhergesagten positiven Werten, aggregiert für alle Klassen.", + "Short": "Mikrogenauigkeit", + "Title": "Zusätzliche Informationen zur gemittelten Mikrogenauigkeit" }, "MacroRecall": { - "Name": "Macro averaged recall score", - "Info": "The macro averaged recall is the ratio of true positives over all actual positives computed independently per class and averaged.", - "Short": "Macro recall", - "Title": "Additional information on macro averaged recall" + "Name": "Durch Makro gemittelte Rückrufbewertung", + "Info": "Der durchschnittliche Makrorückruf ist das Verhältnis von wahren positiven Werten zu allen tatsächlich positiven Werten, die unabhängig pro Klasse berechnet und gemittelt werden.", + "Short": "Makrorückruf", + "Title": "Zusätzliche Informationen zum durchschnittlichen Makrorückruf" }, "MicroRecall": { - "Name": "Micro averaged recall score", - "Info": "The micro averaged recall is the ratio of true positives over all actual positives aggregated for all classes.", - "Short": "Micro recall", - "Title": "Additional information on micro averaged recall" + "Name": "Durch Mikro gemittelte Rückrufbewertung", + "Info": "Der mikrodurchschnittliche Abruf ist das Verhältnis von wahren positiven Werten im Vergleich zu allen tatsächlich positiven Werten, aggregiert für alle Klassen.", + "Short": "Mikrorückruf", + "Title": "Zusätzliche Informationen zum mikrodurchschnittlichen Rückruf" }, "MacroF1Score": { - "Name": "Macro averaged F1 score", - "Info": "The macro averaged F1 score is the harmonic mean of the macro averaged precision and recall metrics.", - "Short": "Macro F1 score", - "Title": "Additional information on macro averaged F1 score" + "Name": "Gemittelter Makro-F1-Score", + "Info": "Der gemittelte F1-Score ist das harmonische Mittel der Metriken für die gemittelten Makro-Genauigkeits und -Abrufmetriken.", + "Short": "Makro-F1-Score", + "Title": "Zusätzliche Informationen zum gemittelten Makro-F1-Score" }, "MicroF1Score": { - "Name": "Micro averaged F1 score", - "Info": "The micro averaged F1 score is the harmonic mean of the micro averaged precision and recall metrics.", - "Short": "Micro F1 score", - "Title": "Additional information on micro averaged F1 score" + "Name": "Gemittelter Mikro-F1-Score", + "Info": "Der gemittelte Mikro-F1-Score ist das harmonische Mittel der gemittelten Mikro-Genauigkeits- und -Abrufmetriken.", + "Short": "Mikro-F1-Score", + "Title": "Zusätzliche Informationen zum gemittelten Mikro-F1-Score" }, "MeanAveragePrecision": { - "Name": "Mean average precision score", - "Info": "Mean average precision for object detection models is the average of AP (average precision) across all classes. This evaluates the robustness of your object detection model and encapsulates the tradeoff between precision and recall.", - "Short": "Mean avg precision", - "Title": "Additional information on mean average precision score" + "Name": "Mittlere durchschnittliche Genauigkeitsquote", + "Info": "Die mittlere durchschnittliche Genauigkeit für Objekterkennungsmodelle ist der Durchschnitt des AP (durchschnittliche Genauigkeit) für alle Klassen. Dadurch wird die Stabilität Ihres Objekterkennungsmodells ausgewertet und der Kompromiss zwischen Genauigkeit und Rückruf gekapselt.", + "Short": "Mittlere durchschnittliche Genauigkeit", + "Title": "Zusätzliche Informationen zur mittleren durchschnittlichen Genauigkeitsquote" }, "AveragePrecision": { - "Name": "Average precision score", - "Info": "Average precision for object detection models is calculated for a selected class.", - "Short": "Avg precision", - "Title": "Additional information on average precision score" + "Name": "Durchschnittliche Genauigkeitsquote", + "Info": "Die durchschnittliche Genauigkeit für Objekterkennungsmodelle wird für eine ausgewählte Klasse berechnet.", + "Short": "Durchschnittliche Genauigkeit", + "Title": "Zusätzliche Informationen zur durchschnittlichen Genauigkeitsquote" }, "AverageRecall": { - "Name": "Average recall score", - "Info": "Average recall for object detection models is calculated for a selected class.", - "Short": "Avg recall", - "Title": "Additional information on average recall score" + "Name": "Durchschnittliche Rückrufquote", + "Info": "Der durchschnittliche Rückruf für Objekterkennungsmodelle wird für eine ausgewählte Klasse berechnet.", + "Short": "Durchschn. Rückruf", + "Title": "Zusätzliche Informationen zur durchschnittlichen Rückrufquote" }, "metricName": "Metrikname", "metricValue": "Metrikwert" }, "MetricSelector": { "selectorLabel": "Metrik auswählen", - "feature1SelectorLabel": "Rows: Feature 1", - "feature2SelectorLabel": "Columns: Feature 2" + "feature1SelectorLabel": "Zeilen: Feature 1", + "feature2SelectorLabel": "Spalten: Feature 2" }, "Navigation": { "cohortSaved": "Die neue Kohorte wird gespeichert! Weitere Informationen finden Sie in der Kohortenliste unter den Kohorteneinstellungen.", @@ -427,9 +427,9 @@ "defaultLabelCopy": "Alle Datenkopien" }, "TreeView": { - "ariaLabel": "Interactive chart", - "disabledArialLabel": "Disabled interactive chart", - "treeMapInfoTitle": "Additional information on tree map", + "ariaLabel": "Interaktives Diagramm", + "disabledArialLabel": "Interaktives Diagramm deaktiviert", + "treeMapInfoTitle": "Weitere Informationen zur Baumstruktur", "treeDescription": "Die Strukturvisualisierung verwendet die gegenseitigen Informationen zwischen jedem Feature und dem Fehler, um Fehlerinstanzen in den Daten hierarchisch von Erfolgsinstanzen zu trennen. Dies vereinfacht den Prozess der Entdeckung und Hervorhebung gemeinsamer Fehlermuster. Um wichtige Fehlermuster zu entdecken, suchen Sie nach Knoten mit einer stärkeren roten Farbe (d. h. hoher Fehlerrate) und einer höheren Fülllinie (d. h. hoher Fehlerabdeckung). Um die Liste der in der Struktur verwendeten Features zu bearbeiten, klicken Sie auf „Featureliste“. Verwenden Sie das Dropdownmenü „Metrik auswählen“, um mehr über die Leistung Ihrer fehlerhaften und erfolgreichen Knoten zu erfahren. Beachten Sie, dass sich diese Metrikauswahl nicht auf die Art und Weise auswirkt, wie Ihre Fehlerstruktur generiert wird.", "treeStaticDescription": "Die Strukturvisualisierung verwendet die gegenseitigen Informationen zwischen jedem Feature und dem Fehler, um Fehlerinstanzen in den Daten hierarchisch von Erfolgsinstanzen zu trennen. Dies vereinfacht den Prozess der Entdeckung und Hervorhebung gemeinsamer Fehlermuster. Um wichtige Fehlermuster zu entdecken, suchen Sie nach Knoten mit einer stärkeren roten Farbe (d. h. hoher Fehlerrate) und einer höheren Fülllinie (d. h. hoher Fehlerabdeckung). Um die Liste der zur Erstellung dieser Struktur verwendeten Features anzuzeigen, klicken Sie auf „Featureliste“. Verwenden Sie das Dropdownmenü „Metrik auswählen“, um mehr über die Leistung Ihrer fehlerhaften und erfolgreichen Knoten zu erfahren. Beachten Sie, dass sich diese Metrikauswahl nicht auf die Art und Weise auswirkt, wie Ihre Fehlerstruktur generiert wird.", "disabledWarning": "Die Fehlerstrukturzuordnung ist deaktiviert, es sei denn, die globale Kohorte wird aufgrund der Strukturzuordnung, die für das vollständige Dataset generiert wird, auf \"Alle Daten\" umgestellt. Wechseln Sie zurück zum vollständigen Dataset, um die Fehlerstrukturzuordnung anzuzeigen." @@ -764,7 +764,7 @@ "countHelperText": "Ein Histogramm zur Anzahl der Punkte", "ditherLabel": "Dithern durchführen", "groupByCohort": "Nach Kohorte gruppieren", - "logarithmicScaling": "Enable logarithmic scaling", + "logarithmicScaling": "Logarithmische Skalierung aktivieren", "numOfBins": "Datengruppenanzahl", "selectClass": "Klasse auswählen", "selectFeature": "Attribut auswählen", @@ -788,7 +788,7 @@ "importancePrefix": "Relevanz", "numberOfDatapoints": "Anzahl von Datenpunkten", "rowIndex": "Zeilenindex", - "absoluteIndex": "Absolute index", + "absoluteIndex": "Absoluter Index", "xValue": "X-Wert", "yValue": "Y-Wert" }, @@ -818,10 +818,10 @@ "columns": { "index": "Index", "dataset": "Dataset", - "predictedY": "Predicted Y", - "trueY": "True Y", - "classificationOutcome": "Classification outcome", - "regressionError": "Error" + "predictedY": "Vorhergesagtes Y", + "trueY": "WAHR Y", + "classificationOutcome": "Klassifizierungsergebnis", + "regressionError": "Fehler" }, "TreatAsCategorical": "Als kategorisch behandeln", "addFilter": "Filter hinzufügen", @@ -846,8 +846,8 @@ "save": "Speichern", "saveAndSwitch": "Speichern und wechseln", "selectFilter": "Filter auswählen", - "noFiltersApplied": "No filters applied", - "filterAdded": "Filter added" + "noFiltersApplied": "Keine Filter angewendet", + "filterAdded": "Filter hinzugefügt" }, "Columns": { "classificationOutcome": "Klassifizierungsergebnis", @@ -857,8 +857,8 @@ "falsePositive": "Falsch positives Ergebnis", "none": "Anzahl", "predictedProbabilities": "Vorhersagewahrscheinlichkeiten", - "predictedLabels": "Predicted labels", - "trueLabels": "True labels", + "predictedLabels": "Vorhergesagte Bezeichnungen", + "trueLabels": "Echte Bezeichnungen", "regressionError": "Regressionsfehler", "trueNegative": "Richtig negatives Ergebnis", "truePositive": "Richtig positives Ergebnis", @@ -879,7 +879,7 @@ "aggregatePlots": "Aggregierte Plots", "chartType": "Diagrammtyp", "colorValue": "Farbwert", - "infoTitle": "Additional information on data analysis chart view", + "infoTitle": "Zusätzliche Informationen zur Diagrammansicht für die Datenanalyse", "helperText": "Erstellen Sie Datasetkohorten, um Datasetstatistiken zusammen mit Filtern wie vorhergesagtem Ergebnis, Datasetfeatures und Fehlergruppen zu analysieren. Erfahren Sie mehr über die Über-/Unterpräsentation in Ihrem Dataset.", "individualDatapoints": "Einzelne Datenpunkte", "missingParameters": "Auf dieser Registerkarte muss ein Auswertungsdataset angegeben werden.", @@ -968,10 +968,10 @@ "dependencePlotHelperText": "Dieses Abhängigkeitsdiagramm zeigt die Beziehung zwischen den Werten eines Features und den entsprechenden Featurerelevanzwerten..", "dependencePlotTitle": "Abhängigkeitsplots", "helperText": "Erkunden Sie die Top-k wichtigsten Feature, die sich auf Ihre Modellvorhersagen insgesamt auswirken (auch als globale Erklärung bezeichnet). Verwenden Sie den Schieberegler, um absteigende Featurerelevanzen anzuzeigen. Die Featurerelevanzen aller Kohorten werden nebeneinander angezeigt und können durch Auswählen der Kohorte in der Legende ausgeschaltet werden. Klicken Sie auf ein beliebiges Features im Diagramm, um unten ein Dichtediagramm zu sehen, das zeigt, wie sich die Werte des ausgewählten Features auf die Vorhersage auswirken.", - "infoTitle": "Additional information on aggregate feature importance", + "infoTitle": "Zusätzliche Informationen zur aggregierten Featurerelevanz", "legendHelpText": "Aktivieren und deaktivieren Sie die Kohorten im Plot, indem Sie auf die Legendenelemente klicken.", "missingParameters": "Auf dieser Registerkarte muss der Parameter für die lokale Attributrelevanz angegeben werden.", - "sortByCohort": "Sort by cohort", + "sortByCohort": "Nach Kohorte sortieren", "sortBy": "Nach Datenpunkt sortieren", "topAtoB": "Top {0} Features nach ihrer Wichtigkeit", "viewDependencePlotFor": "Abhängigkeitsplot anzeigen für:", @@ -1014,13 +1014,13 @@ }, "Statistics": { "accuracy": "Genauigkeit: {0}", - "bleuScore": "Bleu score: {0}", - "bertScore": "Bert score: {0}", - "exactMatchRatio": "Exact match ratio: {0}", + "bleuScore": "Bleu Score: {0}", + "bertScore": "Bert Score: {0}", + "exactMatchRatio": "Genaues Übereinstimmungsverhältnis: {0}", "rougeScore": "Rouge Score: {0}", "fnr": "Falsch negative Rate: {0}", "fpr": "Falsch positive Rate: {0}", - "hammingScore": "Hamming score: {0}", + "hammingScore": "Hamming Score: {0}", "meanPrediction": "Mittlere Vorhersage: {0}", "meteorScore": "Meteor Score: {0}", "mse": "Mittlere quadratische Abweichung: {0}", @@ -1030,10 +1030,10 @@ "selectionRate": "Auswahlrate: {0}", "mae": "Mittlere absolute Abweichung: {0}", "f1Score": "F1-Score: {0}", - "samples": "Sample size: {0}", - "meanAveragePrecision": "Mean average precision: {0}", - "averagePrecision": "Average precision: {0}", - "averageRecall": "Average recall: {0}" + "samples": "Stichprobengröße: {0}", + "meanAveragePrecision": "Mittlere durchschnittliche Genauigkeit: {0}", + "averagePrecision": "Durchschnittliche Genauigkeit: {0}", + "averageRecall": "Durchschnittlicher Rückruf: {0}" }, "ValidationErrors": { "addFilters": "Filter hinzufügen", @@ -1141,29 +1141,29 @@ "InterpretText": { "View": { "interpretibilityDashboard": "Interpretierbarkeitsdashboard", - "importantWords": "Show most Important Words", + "importantWords": "Wichtigste Wörter anzeigen", "topFeatureList": "Wichtigste Featurelistenanalysen", "allButton": "ALLE FEATURES", "negButton": "NEGATIVE FEATURES", "posButton": "POSITIVE FEATURES", - "legendText": "Positive scalar feature importances represent the extent that the words were important towards the classification of your selected label, and negative scalar feature importances represent words that encouraged your model away from your selected label.", - "legendTextForQA": "The left text box and the bar chart display the predictions of the model. The right text box shows the feature importance associated with a selected token. Positive feature importances represent the extent that the words were important towards marking the selected token as the starting/ending position of the answer.", + "legendText": "Positive skalare Featurerelevanzen stellen den Umfang dar, in dem die Wörter für die Klassifizierung Ihrer ausgewählten Bezeichnung wichtig waren, und negative skalare Featurerelevanzen stellen Wörter dar, die Ihr Modell von Ihrer ausgewählten Bezeichnung entfernt hielten.", + "legendTextForQA": "Im linken Textfeld und im Balkendiagramm werden die Vorhersagen des Modells angezeigt. Das rechte Textfeld zeigt die Featurerelevanz an, die einem ausgewählten Token zugeordnet ist. Positive Featurerelevanzen stellen den Umfang dar, in dem die Wörter relevant waren, um das ausgewählte Token als Start-/Endposition der Antwort zu markieren.", "label": "Bezeichnung", "colon": ": ", - "startingPosition": "STARTING POSITION", - "endingPosition": "ENDING POSITION", - "predictedAnswer": "Predicted answer: ", - "trueAnswer": "True answer: ", - "inputs": "Inputs", - "outputs": "Outputs" + "startingPosition": "STARTPOSITION", + "endingPosition": "ENDPOSITION", + "predictedAnswer": "Vorhergesagte Antwort: ", + "trueAnswer": "Richtige Antwort: ", + "inputs": "Eingaben", + "outputs": "Ausgaben" }, "Legend": { "featureLegend": "TEXTFUNKTIONSLEGENDE", "posFeatureImportance": "POSITIVE FEATURERELEVANZ", "negFeatureImportance": "NEGATIVE FEATURERELEVANZ", - "cls": "CLS: start of the sentence", - "sep": "SEP: end of the sentence", - "selectedWord": "Selected word: " + "cls": "CLS: Satzbeginn", + "sep": "SEP: Satzende", + "selectedWord": "Ausgewähltes Wort: " }, "BarChart": { "featureImportance": "FEATURERELEVANZ" @@ -1171,16 +1171,16 @@ }, "InterpretVision": { "Cohort": { - "close": "Close", - "errorCohortName": "Please choose a unique cohort name.", - "errorNumSelected": "Please select at least one (1) item.", - "itemsSelectedSingular": "item selected", - "itemsSelectedPlural": "items selected", - "save": "Save cohort", - "saveAndClose": "Save and close", - "saveAndSwitch": "Save and switch", - "textField": "New cohort name", - "title": "Save new cohort" + "close": "Schließen", + "errorCohortName": "Wählen Sie einen eindeutigen Kohortennamen aus.", + "errorNumSelected": "Wählen Sie mindestens ein (1) Element aus.", + "itemsSelectedSingular": "Element ausgewählt", + "itemsSelectedPlural": "ausgewählte Elemente", + "save": "Kohorte speichern", + "saveAndClose": "Speichern und schließen", + "saveAndSwitch": "Speichern und wechseln", + "textField": "Neuer Kohortenname", + "title": "Neue Kohorte speichern" }, "Dashboard": { "allData": "Alle Daten", @@ -1189,37 +1189,37 @@ "columnThree": "WAHR Y", "columnFour": "Vorhergesagtes Y", "columnFive": "Andere Metadaten", - "chooseObject": "Choose a detected object", - "examples": "examples", + "chooseObject": "Erkanntes Objekt auswählen", + "examples": "Beispiele", "filter": "Filter", "indexLabel": "Image ", - "labelTypeDropdown": "Select label type", - "labelVisibilityDropdown": "Select labels to display", - "legendFailure": "failure", - "legendSuccess": "success", - "loading": "Computing explanation for index", - "multiselect": "Multiselect", - "notdefined": "object scenario not defined", - "objectSelect": "Object Selection", + "labelTypeDropdown": "Bezeichnungstyp auswählen", + "labelVisibilityDropdown": "Anzuzeigende Bezeichnungen auswählen", + "legendFailure": "Fehler", + "legendSuccess": "erfolgreich", + "loading": "Berechnen der Erklärung für den Index", + "multiselect": "Mehrfachauswahl", + "notdefined": "Objektszenario nicht definiert", + "objectSelect": "Objektauswahl", "pageSize": "Seitengröße: ", - "panelTitle": "Selected instance", - "panelExplanation": "Explanation", - "panelInformation": "Information", - "predictedLabel": "Predicted label", - "predictedY": "Predicted: ", - "prefix": "Object: ", - "rows": "Rows: ", + "panelTitle": "Ausgewählte Instanz", + "panelExplanation": "Erläuterung", + "panelInformation": "Informationen", + "predictedLabel": "Vorhergesagte Bezeichnung", + "predictedY": "Vorhergesagt: ", + "prefix": "Objekt: ", + "rows": "Zeilen: ", "search": "Suchen", - "selectAll": "Select all", + "selectAll": "Alles auswählen", "settings": "Einstellungen", - "showAll": "Show all", + "showAll": "Alle anzeigen", "tabOptionFirst": "Bild der Exploreransicht", "tabOptionSecond": "Tabellenansicht", - "tabOptionThird": "Class view", + "tabOptionThird": "Klassenansicht", "thumbnailSize": "Miniaturansichtsgröße", "titleBarError": "Fehlerinstanzen", "titleBarSuccess": "Erfolgreiche Instanzen", - "trueY": "Ground truth: " + "trueY": "Grundwahrheit: " } }, "ModelAssessment": { @@ -1228,15 +1228,15 @@ "CalloutContent": "Durch das Hinzufügen einiger Komponenten (Fehlerstrukturansicht, Fehlerwärmebild) können Sie die Daten aus der globalen Kohorte abwärts filtern, um sie in den nachstehenden Komponenten entsprechend anzuzeigen.", "CalloutTitle": "Komponente hinzufügen", "TabAddedMessage": { - "DataAnalysis": "Data analysis component added", - "FeatureImportances": "Feature importances component added", - "ErrorAnalysis": "Error analysis component added", - "Fairness": "Fairness component added", - "ModelOverview": "Model overview component added", - "CausalAnalysis": "Causal analysis component added", - "Counterfactuals": "Counterfactuals component added", - "Vision": "Vision data explorer component added", - "Forecasting": "Forecasting what-if component added" + "DataAnalysis": "Datenanalysekomponente hinzugefügt", + "FeatureImportances": "Featurerelevanzkomponente hinzugefügt", + "ErrorAnalysis": "Fehleranalysekomponente hinzugefügt", + "Fairness": "Fairnesskomponente hinzugefügt", + "ModelOverview": "Modellübersichtskomponente hinzugefügt", + "CausalAnalysis": "Kausalanalysekomponente hinzugefügt", + "Counterfactuals": "Komponente \"Counterfactuals\" hinzugefügt", + "Vision": "Vision-Daten-Explorer-Komponente hinzugefügt", + "Forecasting": "Vorhersagen der Was-wäre-wenn-Komponente hinzugefügt" } }, "CausalAnalysis": { @@ -1264,7 +1264,7 @@ }, "CohortInformation": { "ShiftCohort": "Kohorte wechseln", - "SwitchTimeSeries": "Switch time series", + "SwitchTimeSeries": "Zeitreihe wechseln", "NewCohort": "Neue Kohorte", "DataPoints": "Anzahl von Datenpunkten", "DefaultCohort": " (Standard)", @@ -1276,7 +1276,7 @@ "CohortSettingsTitle": "Kohorteneinstellungen" }, "ComponentNames": { - "ChartView": "Chart view", + "ChartView": "Diagrammansicht", "CausalAnalysis": "Ursachenanalyse", "Counterfactuals": "Alternativen", "DataAnalysis": "Datenanalyse", @@ -1285,10 +1285,10 @@ "ErrorAnalysis": "Fehleranalyse", "Fairness": "Fairness", "FeatureImportances": "Attributrelevanz", - "Forecasting": "Forecasting", + "Forecasting": "Vorhersagen", "ModelOverview": "Modellübersicht", - "TableView": "Table view", - "VisionTab": "Vision data explorer" + "TableView": "Tabellenansicht", + "VisionTab": "Vision-Daten-Explorer" }, "DashboardSettings": { "Content": "Diese Liste zeigt das Layout des Dashboards. Sie können Daten mithilfe der Fehleranalysekomponente nach unten filtern, um sie in den unten aufgeführten Komponenten anzuzeigen.", @@ -1446,17 +1446,17 @@ "CorrectPredictions": "Richtige Vorhersagen", "GlobalExplanation": "Aggregierte Attributrelevanz", "IncorrectPredictions": "Falsche Vorhersagen", - "InfoTitle": "Additional information on data analysis table view", - "IndividualFeatureTabular": "Select a datapoint by clicking on a datapoint (up to 5 datapoints) in the table to view their local feature importance values (local explanation) and individual conditional expectation (ICE) plots.", - "IndividualFeatureText": "Select a datapoint by clicking on a datapoint in the table to view the local feature importance values (local explanation).", + "InfoTitle": "Zusätzliche Informationen zur Tabellenansicht für die Datenanalyse", + "IndividualFeatureTabular": "Wählen Sie einen Datenpunkt aus, indem Sie in der Tabelle auf einen Datenpunkt (bis zu 5 Datenpunkte) klicken, um deren lokale Featurerelevanzwerte (lokale Erklärung) und die Plots für die individuelle bedingte Erwartung (Individual Conditional Expectation, ICE) anzuzeigen.", + "IndividualFeatureText": "Wählen Sie einen Datenpunkt aus, indem Sie auf einen Datenpunkt in der Tabelle klicken, um die Wichtigkeitswerte für lokale Features anzuzeigen (lokale Erklärung).", "LocalExplanation": "Individuelle Attributrelevanz", "SelectionCounter": "{0}/{1} Datenpunkte ausgewählt", "SelectionLimit": "Zu diesem Zeitpunkt können bis zu 5 Datenpunkte ausgewählt werden.", - "RowCheckboxAriaLabel": "Row checkbox", - "SelectionColumnAriaLabel": "Toggle selection" + "RowCheckboxAriaLabel": "Zeilen-Kontrollkästchen", + "SelectionColumnAriaLabel": "Auswahl umschalten" }, "IndividualFeatureImportanceView": { - "SmallInstanceSelection": "Instance selection" + "SmallInstanceSelection": "Instanzauswahl" }, "MainMenu": { "DashboardSettings": "Dashboardkonfiguration", @@ -1472,44 +1472,44 @@ "ModelOverview": { "metrics": { "accuracy": { - "name": "Accuracy score", + "name": "Genauigkeitsbewertung", "description": "Der Anteil der Datenpunkte, die korrekt klassifiziert werden." }, "exactMatchRatio": { - "name": "Exact match ratio", - "description": "The ratio of instances classified correctly for every label." + "name": "Genaues Übereinstimmungsverhältnis", + "description": "Das Verhältnis von Instanzen, die für jede Bezeichnung ordnungsgemäß klassifiziert sind." }, "meteorScore": { "name": "Meteor Score", - "description": "METEOR Score is calculated based on the harmonic mean of precision and recall, with recall weighted more than precision in question answering task." + "description": "METEOR Score wird basierend auf dem Mittelwert von Genauigkeit und Rückruf berechnet, wobei der Rückruf bei der Aufgabe „Fragen und Antworten“ mehr als die Genauigkeit gewichtet wird." }, "bleuScore": { "name": "Bleu Score", - "description": "Bleu Score measures the ratio of words (and/or n-grams) in the machine generated text that appeared in the reference text in question answering task." + "description": "Bleu Score misst das Verhältnis von Wörtern (und/oder n Grammen) in dem computergenerierten Text, der im Referenztext in der Frageantwortaufgabe angezeigt wurde." }, "bertScore": { "name": "Bert Score", - "description": "BERTScore focuses on computing semantic similarity between tokens of reference and machine generated text in question answering task." + "description": "BERT Score konzentriert sich auf das Berechnen der semantischen Ähnlichkeit zwischen Verweistoken und computergeneriertem Text in der Frageantwortaufgabe." }, "rougeScore": { "name": "Rouge Score", - "description": "Rouge Score measures the ratio of words (and/or n-grams) in the reference text that appeared in the machine generated text in question answering task." + "description": "Rouge Score misst das Verhältnis von Wörtern (und/oder n Grammen) in dem Referenztext, der im Referenztext in der Aufgabe „Fragen und Antworten“ angezeigt wurde." }, "hammingScore": { - "name": "Hamming score", - "description": "The average ratio of labels classified correctly among those classified as 1 in multilabel task." + "name": "Hamming Score", + "description": "Das durchschnittliche Verhältnis von Bezeichnungen, die ordnungsgemäß zwischen den Bezeichnungen klassifiziert sind, die in einer Aufgabe mit mehreren Bezeichnungen als 1 klassifiziert sind." }, "f1Score": { "name": "F1-Score", "description": "F1-Bewertung ist das harmonische Mittel der Genauigkeit und des Abrufs." }, "f1ScoreMacro": { - "name": "Macro F1 score", - "description": "Macro F1 score is the harmonic mean of precision and recall for each class, with each class weighted equally." + "name": "Makro-F1-Score", + "description": "Makro-F1-Bewertung ist das mittlere Maß an Genauigkeit und Rückruf für jede Klasse, wobei jede Klasse gleichmäßig gewichtet wird." }, "f1ScoreMicro": { - "name": "Micro F1 score", - "description": "Micro F1 score is the harmonic mean of precision and recall for each class, with each class weighted according to how many instances it contains." + "name": "Mikro-F1-Score", + "description": "Die Mikro-F1-Bewertung ist das mittlere Maß an Genauigkeit und Rückruf für jede Klasse, wobei jede Klasse entsprechend der Anzahl der darin enthaltenen Instanzen gewichtet wird." }, "meanAbsoluteError": { "name": "Mittlere absolute Abweichung", @@ -1524,24 +1524,24 @@ "description": "Der Anteil der Datenpunkte, die unter den als 1 klassifizierten Datenpunkten korrekt klassifiziert werden." }, "precisionMacro": { - "name": "Macro Precision score", - "description": "The fraction of data points classified correctly among those classified as 1 for each class with each class weighted equally." + "name": "Makrogenauigkeitsbewertung", + "description": "Der Anteil der Datenpunkte, die für jede Klasse ordnungsgemäß unter den als 1 klassifizierten Datenpunkten klassifiziert sind, wobei jede Klasse gleich gewichtet wird." }, "precisionMicro": { - "name": "Micro Precision score", - "description": "The fraction of data points classified correctly among those classified as 1 for each class with each class weighted according to how many instances it contains." + "name": "Mikrogenauigkeitsbewertung", + "description": "Der Anteil der Datenpunkte, die für jede Klasse ordnungsgemäß unter den als 1 klassifizierten Datenpunkten klassifiziert sind, wobei jede Klasse entsprechend der Anzahl der darin enthaltenen Instanzen gewichtet wird." }, "recall": { "name": "Abrufbewertung", "description": "Der Anteil der Datenpunkte, die unter denjenigen korrekt klassifiziert werden, deren echte Beschriftung 1 lautet. Alternative Namen: True Positive-Rate, Sensitivität." }, "recallMacro": { - "name": "Macro Recall score", - "description": "The fraction of data points classified correctly among those whose true label is 1 for each class with each class weighted equally." + "name": "Makrorückrufbewertung", + "description": "Der Anteil der Datenpunkte, die korrekt unter denen klassifiziert sind, deren true-Bezeichnung für jede Klasse 1 ist, wobei jede Klasse gleich gewichtet wird." }, "recallMicro": { - "name": "Micro Recall score", - "description": "The fraction of data points classified correctly among those whose true label is 1 for each class with each class weighted according to how many instances it contains." + "name": "Mikrorückrufbewertung", + "description": "Der Anteil der Datenpunkte, die korrekt unter denen klassifiziert sind, deren true-Bezeichnung für jede Klasse 1 ist, wobei jede Klasse entsprechend der Anzahl der darin enthaltenen Instanzen gewichtet wird." }, "falsePositiveRate": { "name": "Falsch positive Rate", @@ -1560,32 +1560,32 @@ "description": "Der Durchschnitt aller Vorhersagen." }, "meanAveragePrecision": { - "name": "Mean Average Precision score", - "description": "Mean average precision for object detection models is the average of AP (average precision) across all classes. This evaluates the robustness of your object detection model and encapsulates the tradeoff between precision and recall." + "name": "Score für mittlere durchschnittliche Genauigkeit", + "description": "Die mittlere durchschnittliche Genauigkeit für Objekterkennungsmodelle ist der Durchschnitt des AP (durchschnittliche Genauigkeit) für alle Klassen. Dadurch wird die Stabilität Ihres Objekterkennungsmodells ausgewertet und der Kompromiss zwischen Genauigkeit und Rückruf gekapselt." }, "averagePrecision": { - "name": "Average Precision score", - "description": "Average precision for object detection models is calculated for a selected class." + "name": "Score für durchschnittliche Genauigkeit", + "description": "Die durchschnittliche Genauigkeit für Objekterkennungsmodelle wird für eine ausgewählte Klasse berechnet." }, "averageRecall": { - "name": "Average Recall score", - "description": "Average recall for object detection models is calculated for a selected class." + "name": "Durchschnittliche Rückrufbewertung", + "description": "Der durchschnittliche Rückruf für Objekterkennungsmodelle wird für eine ausgewählte Klasse berechnet." }, "fairnessMetricDifference": "Differenz", "fairnessMetricRatio": "Verhältnis" }, "metricsDropdown": "Metrik(en)", - "metricsTypeDropdown": "Aggregate method", + "metricsTypeDropdown": "Aggregatmethode", "metricTypes": { - "macro": "Macro", - "micro": "Micro" + "macro": "Makro", + "micro": "Mikro" }, - "classSelectionDropdown": "Select class(es)", + "classSelectionDropdown": "Klasse(en) auswählen", "iouThresholdDropdown": { - "name": "IoU Threshold", - "description": "Intersection over Union quantifies the degree of overlap between the prediction and ground truth bounding box of a detected object in an image. For example, setting an IoU threshold of 70% means that a prediction with greater than 70% overlap with ground truth is True, thus influencing the definition of prediction correctness and calculation of other performance metrics.", + "name": "IoU-Schwellenwert", + "description": "Die Schnittmenge über Union quantifiziert den Grad der Überlappung zwischen dem Vorhersage- und dem Ground Truth-Begrenzungsrahmen eines erkannten Objekts in einem Bild. Wenn Sie beispielsweise einen IoU-Schwellenwert von 70 % festlegen, bedeutet dies, dass eine Vorhersage mit einer Überlappung von mehr als 70 % mit der Grundwahrheit TRUE ist, wodurch die Definition der Korrektheit der Vorhersage und die Berechnung anderer Leistungsmetriken beeinflusst wird.", "iconId": "iouThresholdIconId", - "title": "Learn about the IoU threshold" + "title": "Informationen zum IoU-Schwellenwert" }, "notAvailable": "n/v", "countColumnHeader": "Stichprobengröße", @@ -1597,14 +1597,14 @@ "featuresDropdown": "Merkmal(e)", "metricChartDropdownSelectionHeader": "Metrik", "probabilityForClassSelectionHeader": "Wahrscheinlichkeit für Klasse", - "targetSelectionHeader": "Target", + "targetSelectionHeader": "Ziel", "metricSelectionDropdownPlaceholder": "Wählen Sie Metriken aus, um Ihre Kohorten zu vergleichen.", - "classSelectionDropdownPlaceholder": "Select class name for class-based analysis.", + "classSelectionDropdownPlaceholder": "Wählen Sie den Klassennamen für die klassenbasierte Analyse aus.", "featureSelectionDropdownPlaceholder": "Wählen Sie Features aus, die für eine featurebasierte Analyse verwendet werden sollen.", "probabilityDistributionPivotItem": "Wahrscheinlichkeitsverteilung", - "regressionDistributionPivotItem": "Target distribution", + "regressionDistributionPivotItem": "Zielverteilung", "metricsVisualizationsPivotItem": "Metrikvisualisierungen", - "confusionMatrixPivotItem": "Confusion matrix", + "confusionMatrixPivotItem": "Konfusionsmatrix", "disaggregatedAnalysisFeatureSelectionPlaceholder": "Wählen Sie Features aus, um die featurebasierte Analyse zu generieren.", "tableCountTooltip": "Die Kohorte {0} enthält {1} Instanzen.", "tableMetricTooltip": "Die {0} des Modells auf der Kohorte {1} ist {2}", @@ -1615,36 +1615,36 @@ "metricSelectionButton": "Metrik auswählen", "cohortSelectionButton": "Kohorten auswählen", "probabilityLabelSelectionButton": "Bezeichnung auswählen", - "regressionTargetSelectionButton": "Choose target", + "regressionTargetSelectionButton": "Ziel auswählen", "selectAllCohortsOption": "Alles auswählen", "other": "Sonstiges", "BoxPlot": { "outlierProbability": "Wahrscheinlichkeit", "outlierLabel": "Ausreißer", "boxPlotSeriesLabel": "Box-Plot", - "lowerWhisker": "Lower whisker", - "upperWhisker": "Upper whisker", + "lowerWhisker": "Unterer Whisker", + "upperWhisker": "Oberer Whisker", "median": "Median", - "lowerQuartile": "Lower quartile", - "upperQuartile": "Upper quartile" + "lowerQuartile": "Unteres Quartil", + "upperQuartile": "Oberes Quartil" }, "chartConfigApply": "Anwenden", "chartConfigCancel": "Abbrechen", "chartConfigDatasetCohortSelectionPlaceholder": "Datasetkohorten auswählen", "chartConfigFeatureBasedCohortSelectionPlaceholder": "Auswählen featurebasierter Kohorten", "confusionMatrix": { - "confusionMatrixCohortSelectionLabel": "Select dataset cohort", - "confusionMatrixClassSelectionLabel": "Select classes", - "confusionMatrixClassMinSelectionError": "Select at least {0} classes to visualize the confusion matrix.", - "confusionMatrixClassMaxSelectionError": "Select at most {0} classes to visualize the confusion matrix.", - "confusionMatrixClassSelectionDefaultPlaceholder": "Choose classes", - "confusionMatrixHeatmapTooltip": "{0} datapoints should be {1}, predicted to be {2}", - "confusionMatrixYAxisLabel": "True Class", - "confusionMatrixXAxisLabel": "Predicted Class", - "class": "Class" + "confusionMatrixCohortSelectionLabel": "Datasetkohort auswählen", + "confusionMatrixClassSelectionLabel": "Klassen auswählen", + "confusionMatrixClassMinSelectionError": "Wählen Sie mindestens {0} Klassen aus, um die Konfusionsmatrix zu visualisieren.", + "confusionMatrixClassMaxSelectionError": "Wählen Sie höchstens {0} Klassen aus, um die Konfusionsmatrix zu visualisieren.", + "confusionMatrixClassSelectionDefaultPlaceholder": "Klassen auswählen", + "confusionMatrixHeatmapTooltip": "{0} Datenpunkte sollten {1} sein, die als {2} vorhergesagt werden.", + "confusionMatrixYAxisLabel": "TRUE-Klasse", + "confusionMatrixXAxisLabel": "Vorhergesagte Klasse", + "class": "Klasse" }, "nA": "n/v", - "disaggregatedAnalysisBaseCohortDisclaimer": "The cohorts in the following feature-based analysis are based on the global cohort, {0}.", + "disaggregatedAnalysisBaseCohortDisclaimer": "Die Kohorten in der folgenden featurebasierten Analyse basieren auf der globalen Kohorte {0}.", "disaggregatedAnalysisBaseCohortWarning": "Im Gegensatz zur {0}-Kohorte enthält {1} Filter. Folglich wird nur eine Teilmenge des gesamten Datasets erfasst, und die Erkenntnisse lassen sich möglicherweise nicht auf das gesamten Dataset übertragen.", "probabilitySplineChartToggleLabel": "Spline-Diagramm verwenden", "countAxisLabel": "Anzahl", @@ -1674,76 +1674,76 @@ "flyoutDescription": "Sie können auswählen, ob Datasetkohorten oder Featurekohorten angezeigt werden sollen. Wenn Featurekohorten nicht verfügbar sind, müssen Sie zuerst ein oder mehrere Features in der Ansicht „Featurekohorten“ auswählen. Anschließend werden Featurekohorten generiert, und Sie können sie hier auswählen." }, "regressionTargetOptions": { - "predictedY": "Predicted Y", - "trueY": "True Y", - "error": "Error" + "predictedY": "Vorhergesagtes Y", + "trueY": "WAHR Y", + "error": "Fehler" }, "topLevelDescription": "Werten Sie die Leistung Ihres Modells aus, indem Sie die Verteilung Ihrer Vorhersagewerte und die Werte Ihrer Modellleistungsmetriken untersuchen. Verwenden Sie die Registerkarte „Datasetkohorten“, um Ihr Modell zu untersuchen, indem Sie sich eine vergleichende Analyse der Leistung für verschiedene vordefinierte oder neu erstellte Datasetkohorten ansehen. Verwenden Sie die „Featurekohorten“, um Ihr Modell zu untersuchen, indem Sie sich eine vergleichende Analyse der Leistung über sensible/nicht sensible Attribute der Unterkohorten hinweg ansehen. (z. B. Leistung zwischen verschiedenen Geschlechtern, Einkommensstufen).", - "infoTitle": "Additional information on model overview", + "infoTitle": "Zusätzliche Informationen zur Modellübersicht", "visualDisplayToggleLabel": "Wärmebild anzeigen", "featureBasedViewDescription": "Wählen Sie bis zu zwei Features aus, um die Modellleistungsaufschlüsselung für featurebasierte Kohorten (wenn ein Feature ausgewählt ist) oder überschneidende Kohorten (wenn zwei Features ausgewählt sind) anzuzeigen." }, "TableViewTab": { - "Heading": "View the dataset in a table format for all features and rows." + "Heading": "Das Dataset in einem Tabellenformat für alle Features und Zeilen anzeigen." } }, "Forecasting": { - "target": "Target", - "whatIfForecastingHeader": "What-if analysis", - "forecastHeader": "Forecast analysis", - "whatIfForecastingDescription": "What-if allows you to perturb features for your entire time series and observe how the model's forecast changes.", - "whatIfForecastingChooseTimeSeries": "To start, choose a time series from the options below.", - "forecastDescription": "Forecast analysis compares your model's forecast to the actual values of your time series. To enable what-if analysis, provide a dataset with features.", - "timeSeries": "Time series", - "selectTimeSeries": "Select a time series.", - "singleTimeSeries": "The dataset contains only a single time series '{0}' which has been selected by default.", - "trueY": "True Y", - "baselinePrediction": "Baseline prediction", - "forecastComparisonHeader": "Compare What-if Forecasts", - "forecastComparisonChartTitle": "Forecasts", - "forecastComparisonChartTimeAxisLabel": "Time", + "target": "Ziel", + "whatIfForecastingHeader": "Was-wäre-wenn-Analyse", + "forecastHeader": "Vorhersageanalyse", + "whatIfForecastingDescription": "Mit \"Was-wäre-wenn\" können Sie Features für Ihre gesamte Zeitreihe stören und beobachten, wie sich die Vorhersage des Modells ändert.", + "whatIfForecastingChooseTimeSeries": "Um zu beginnen, wählen Sie eine Zeitreihe aus den folgenden Optionen aus.", + "forecastDescription": "Die Prognoseanalyse vergleicht die Prognose Ihres Modells mit den tatsächlichen Werten Ihrer Zeitreihe. Um die Was-wäre-wenn-Analyse zu aktivieren, stellen Sie ein Dataset mit Features bereit.", + "timeSeries": "Zeitreihe", + "selectTimeSeries": "Zeitreihe auswählen.", + "singleTimeSeries": "Das Dataset enthält nur eine einzelne Zeitreihe \"{0}\", die standardmäßig ausgewählt wurde.", + "trueY": "WAHR Y", + "baselinePrediction": "Baselinevorhersage", + "forecastComparisonHeader": "Was-wäre-wenn-Prognosen vergleichen", + "forecastComparisonChartTitle": "Prognosen", + "forecastComparisonChartTimeAxisLabel": "Zeit", "Transformations": { - "multiply": "multiply", - "divide": "divide", - "add": "add", - "subtract": "subtract", - "change": "change to" + "multiply": "Multiplizieren", + "divide": "Dividieren", + "add": "Addieren", + "subtract": "Subtrahieren", + "change": "Ändern in" }, "TransformationCreation": { - "title": "Create what-if scenario", - "nameLabel": "What-if scenario name", - "featureInstructions": "Choose a feature to perturb.", - "operationInstructions": "Choose an operation to apply to the feature.", - "operationDropdownHeader": "Operation", + "title": "Was-wäre-wenn-Szenario erstellen", + "nameLabel": "Name des Was-wäre-wenn-Szenarios", + "featureInstructions": "Wählen Sie ein Feature aus, das Sie stören möchten.", + "operationInstructions": "Wählen Sie einen Vorgang aus, der auf das Feature angewendet werden soll.", + "operationDropdownHeader": "Vorgang", "featureDropdownHeader": "Feature", - "valueSpinButtonHeader": "Value", - "scenarioNamingInstructionsPlaceholder": "Enter a unique name", - "scenarioNamingInstructions": "Enter a name for your what-if scenario.", - "scenarioNamingCollisionMessage": "This name exists already. Please enter a unique name.", - "scenarioNamingLengthMessage": "The name must be between 1 and 50 characters. The actual length is {0}.", - "scenarioNamingInvalidCharactersMessage": "The name can only contain alphanumeric characters, whitespaces, dashes, or underscores, and needs to start with an alphanumeric character.", - "valueErrorMessage": "For operation {0} please select a value other than {1}.", - "invalidCombinationErrorMessage": "This is identical to an existing what-if scenario. Please change the feature, operation, or value.", - "addTransformationButton": "Add Transformation", - "divisionAndMultiplicationBy": "by" + "valueSpinButtonHeader": "Wert", + "scenarioNamingInstructionsPlaceholder": "Geben Sie einen eindeutigen Namen ein.", + "scenarioNamingInstructions": "Geben Sie einen Namen für Ihr Was-wäre-wenn-Szenario ein.", + "scenarioNamingCollisionMessage": "Dieser Name ist bereits vorhanden. Geben Sie einen eindeutigen Namen ein.", + "scenarioNamingLengthMessage": "Der Name muss zwischen 1 und 50 Zeichen lang sein. Die tatsächliche Länge ist {0}.", + "scenarioNamingInvalidCharactersMessage": "Der Name darf nur alphanumerische Zeichen, Leerzeichen, Bindestriche oder Unterstriche enthalten und muss mit einem alphanumerischen Zeichen beginnen.", + "valueErrorMessage": "Wählen Sie für den Vorgang \"{0}\" einen anderen Wert als {1} aus.", + "invalidCombinationErrorMessage": "Dies ist identisch mit einem vorhandenen Was-wäre-wenn-Szenario. Ändern Sie das Feature, den Vorgang oder den Wert.", + "addTransformationButton": "Transformation hinzufügen", + "divisionAndMultiplicationBy": "von" }, "TransformationTable": { "nameColumnHeader": "Name", - "methodColumnHeader": "Method", - "divisionAndMultiplicationBy": "by ", - "header": "What-if Forecasts ({0})" + "methodColumnHeader": "Methode", + "divisionAndMultiplicationBy": "von ", + "header": "Was-wäre-wenn-Prognosen ({0})" }, "TimeSeries": { - "apply": "Apply", - "cancel": "Cancel", - "cohortList": "Time series list", - "selectCohort": "Select a time series", - "shiftCohort": "Switch time series", - "shiftCohortDescription": "Select a time series from the time series list. Apply the time series to the dashboard." + "apply": "Anwenden", + "cancel": "Abbrechen", + "cohortList": "Zeitreihenliste", + "selectCohort": "Zeitreihe auswählen", + "shiftCohort": "Zeitreihe wechseln", + "shiftCohortDescription": "Wählen Sie eine Zeitreihe aus der Zeitreihenliste aus. Wenden Sie die Zeitreihe auf das Dashboard an." }, "TimeSeriesSettings": { - "CohortSettingsDescription": "Time series are pre-defined based on time series identifying columns.", - "CohortSettingsTitle": "Time series settings" + "CohortSettingsDescription": "Zeitreihen werden auf der Grundlage von Spalten zur Identifizierung von Zeitreihen vordefiniert.", + "CohortSettingsTitle": "Zeitreiheneinstellungen" } } } \ No newline at end of file diff --git a/libs/localization/src/lib/en.fr.json b/libs/localization/src/lib/en.fr.json index a7b8bd7e5f..2ab3a4f0ea 100644 --- a/libs/localization/src/lib/en.fr.json +++ b/libs/localization/src/lib/en.fr.json @@ -3,26 +3,26 @@ "close": "Fermer", "tooltipButton": "Bouton info-bulle", "identityFeature": "Fonctionnalité d’identité", - "infoTitle": "Additional information", - "spinButton": "Spin", - "editButton": "Edit", - "decreaseValue": "Decrease value", - "increaseValue": "Increase value", - "decreaseValueByOne": "Decrease value by 1", - "increaseValueByOne": "Increase value by 1", - "loading": "Loading..." + "infoTitle": "Informations Complémentaires", + "spinButton": "Rotation", + "editButton": "Modifier", + "decreaseValue": "Diminuer la valeur", + "increaseValue": "Augmenter la valeur", + "decreaseValueByOne": "Réduire la valeur de 1", + "increaseValueByOne": "Augmenter la valeur de 1", + "loading": "Chargement..." }, "ChartContextMenu": { - "hideData": "Hide data table", - "viewData": "View data table", - "viewInFullScreen": "View in full screen", - "printChart": "Print chart", - "downloadCSV": "Download CSV", - "downloadPNG": "Download PNG image", - "downloadJPEG": "Download JPEG image", - "downloadPDF": "Download PDF document", - "downloadSVG": "Download SVG vector image", - "downloadXLS": "Download XLS" + "hideData": "Masquer le tableau de données", + "viewData": "Afficher le tableau de données", + "viewInFullScreen": "Voir en plein écran", + "printChart": "Imprimer le graphique", + "downloadCSV": "Télécharger CSV", + "downloadPNG": "Télécharger l'image PNG", + "downloadJPEG": "Télécharger l'image JPEG", + "downloadPDF": "Télécharger le document PDF", + "downloadSVG": "Télécharger l'image vectorielle SVG", + "downloadXLS": "Télécharger XLS" }, "CausalAnalysis": { "AggregateView": { @@ -39,7 +39,7 @@ "description": "L'analyse causale permet de répondre à des questions du type \"et si\", à savoir comment les résultats du monde réel auraient changé en fonction de différents choix politiques, tels qu'une stratégie de prix différente pour un produit ou un traitement alternatif pour un patient. Contrairement aux prédictions du modèle qui identifient les schémas de corrélation importants, ces outils vous aident à identifier les caractéristiques causales les plus importantes qui affectent directement votre résultat d'intérêt. Ces modèles identifient l'effet causal d'une caractéristique (généralement appelée \"traitement\"), en maintenant constantes les autres caractéristiques confusionnelles. Pour obtenir de meilleurs résultats, assurez-vous que l'ensemble de données complet contient toutes les caractéristiques disponibles qui peuvent être corrélées avec le résultat en tant que facteurs de confusion.", "directAggregate": "Effet causa agrégé direct de chaque traitement avec un intervalle de confiance de 95 %.", "here": "ici", - "infoTitle": "Additional information on aggregated causal effects", + "infoTitle": "Informations supplémentaires sur les effets de causalité agrégés", "lasso": "Un lasso (ou une régression logistique si y est un binaire) a été ajusté pour prédire y à partir de X [-i], et un lasso (ou une régression logistique si X[i] est catégorique) a été ajusté pour prédire X[i] de Χ [-i]. L’effet causan peut être considéré comme la corrélation moyenne de la variation résiduelle/surprise des deux tâches de prédiction. En savoir plus sur les Machine Learning double", "unconfounding": "Que se passe-t-il des fonctionnalités?" }, @@ -51,7 +51,7 @@ "description": "Des effets de causalité individuels peuvent informer les interventions personnalisées, telles qu’une promotion ciblée par les clients ou un plan de traitement individualisé. Comment une personne avec un ensemble de fonctionnalités particulier répond-elle à un changement dans une fonctionnalité causale ou un traitement? L’outil de simulation de causalité calcule les changements marginaux des résultats réels d’une personne particulière si vous modifiez leur niveau de traitement. Cette analyse vous permet de comprendre la façon dont les résultats concrets ont été modifiés sous différents choix de stratégie, tels qu’une stratégie de tarification différente pour un produit ou un autre traitement pour un patient. Spécifiez le traitement des intérêts et observez comment les résultats concrets changent.", "directIndividual": "Effet causal individuel direct de chaque traitement avec un intervalle de confiance de 95 %.", "index": "Index de point de données", - "infoTitle": "Additional information on individual causal what-if", + "infoTitle": "Informations supplémentaires sur les hypothèses causales individuelles", "missingParameters": "Cet onglet nécessite la spécification d'un jeu de données d'évaluation.", "newOutcome": "Nouveau résultat", "selectTreatment": "Sélectionner un traitement", @@ -85,7 +85,7 @@ "averageGainBinary": "Gains moyens de la définition du {0} de traitement à sa valeur de base {1}.", "averageGainContinuous": "Gains moyens des stratégies alternatives sans traitement ’{0}’", "header": "Ces outils aident à créer des stratégies pour les interventions futures. Vous pouvez identifier les parties de votre exemple qui rencontrent les plus grandes réponses aux modifications des fonctionnalités causales ou des traitements et créez des règles pour définir les populations à venir qui doivent être ciblées pour des interventions particulières.", - "infoTitle": "Additional information on treatment policy", + "infoTitle": "Informations supplémentaires sur la politique de traitement", "nSample": "n = {0}", "noData": "Aucune donnée" } @@ -116,8 +116,8 @@ "cancel": "Annuler", "title": "Changer de cohorte", "subText": "Sélectionnez une cohorte dans la liste des cohortes. Appliquez la cohorte au tableau de bord.", - "selectCohort": "Select a cohort", - "cohortList": "Cohort list" + "selectCohort": "Sélectionner une cohorte", + "cohortList": "Liste de cohorte" }, "PreBuiltCohort": { "featureNameNotFound": "Nom de fonctionnalité introuvable dans le jeu de données", @@ -148,13 +148,13 @@ "predictedClass": "Classe prédite", "predictedValue": "Valeur prédite" }, - "Size": "Size", - "loading": "Loading...", + "Size": "Taille", + "loading": "Chargement...", "counterfactualEx": "Counterfactual ex {0}", "counterfactualName": "Nom de la contrefacteur de scénario", "createWhatIfCounterfactual": "Créer des scénarios contrefactuels", "createCounterfactual": "Counterfactual", - "revertToBubbleChart": "View bubble chart", + "revertToBubbleChart": "Afficher le graphique à bulles", "createOwn": "Créez votre propre contrefactuel :", "currentClass": "Classe actuelle", "currentRange": "Plage actuelle", @@ -167,9 +167,9 @@ "listDescription": "Cette liste indique les points de données de l’échantillon de données actuel qui ont la plus grande réponse causale au traitement sélectionné, en fonction de toutes les fonctionnalités incluses dans le modèle de causalité estimé. Les cinq colonnes à gauche indiquent si le traitement est recommandé pour l’observation, le traitement actuel, l’effet estimé du traitement (effet de l’application d’un traitement à partir d’une ligne de base d’aucun traitement pour les traitements binaires ou l’augmentation/diminution de la fonction de traitement par 10% de la taille de traitement type dans l’échantillon : [dynamique : rapporte la modification numérique du traitement que nous avons utilisé]) Les colonnes restantes affichent l’état de traitement actuel et d’autres fonctionnalités de chaque observation.", "localImportanceDescription": "Les principales fonctionnalités classées dans la ligne {0} à perturber pour obtenir une prédiction de modèle souhaitée. Basé sur l’analyse de scénarios pour la prédiction : {1}", "localImportanceSelectData": "Sélectionner un point de données pour afficher le graphique d’importance locale", - "largeLocalImportanceSelectData": "Select a bubble, followed by a data point to view local importance chart", - "localImportanceFetchError": "There was an error while fetching the local importance data. Error details: {0} Please check the data used.", - "BubbleChartFetchError": "There was an error while fetching the data. Error details: {0} Please check the data used.", + "largeLocalImportanceSelectData": "Sélectionnez une bulle, suivie d'un point de données pour afficher le graphique d'importance locale", + "localImportanceFetchError": "Une erreur s'est produite lors de la récupération des données d'importance locale. Détails de l'erreur : {0} veuillez vérifier les données utilisées.", + "BubbleChartFetchError": "Une erreur s'est produite lors de la récupération des données. Détails de l'erreur : {0} veuillez vérifier les données utilisées.", "noData": "Aucune donnée", "noFeatures": "Aucune fonctionnalité disponible", "panelDescription": "Parcourez les contrefacteurs et créez les vôtres. Recherchez des fonctionnalités pour voir les valeurs suggérées à partir d’un ensemble varié d’exemples counterfactual. Définissez des valeurs de fonctionnalités contrefactuelles suggérées en cliquant sur le texte « Définir des valeurs » sous chaque nom de contrefacteur. Nommez votre compteur et enregistrez-le.", @@ -217,13 +217,13 @@ "subText": "Renseignez-vous sur la cohorte sélectionnée. Modifiez son nom de cohorte. Supprimer cette cohorte." }, "FeatureList": { - "featureList": "Feature List", + "featureList": "Liste des fonctionnalités", "apply": "Appliquer", "features": "Fonctionnalités", "importances": "Importances (importances)", "treeMapDescription": "Pour former à nouveau l'arborescence, sélectionnez et enregistrez les fonctionnalités ci-dessous. Les importances des fonctionnalités ont été calculées à l'aide d'informations communs avec l'erreur sur les véritable étiquettes. Utilisez-la comme indications pour la formation de la carte des arborescences.", "staticTreeMapDescription": "Affichez les fonctionnalités utilisées pour entraîner l’arborescence. Les importances de la fonctionnalité ont été calculées à l’aide d’informations mutuelles avec l’erreur sur les étiquettes true.", - "searchResultMessage": "Results displayed out of {resultLength} for {searchValue}" + "searchResultMessage": "Résultats affichés sur {resultLength} pour {searchValue}" }, "TreeViewParameters": { "maximumDepth": "Profondeur maximale", @@ -289,7 +289,7 @@ "disabledWarning": "La carte thermique d’erreur est désactivée, sauf si la cohorte globale est basculée pour représenter « Toutes les données » en raison de la carte thermique générée pour le jeu de données complet. Revenez au jeu de données complet pour afficher la carte thermique d’erreur." }, "MatrixSummary": { - "heatMapInfoTitle": "Additional information on heat map", + "heatMapInfoTitle": "Informations supplémentaires sur la carte thermique", "heatMapDescription": "Avec la carte thermique, vous pouvez vous concentrer sur des filtres de caractéristiques intersectionnelles spécifiques et calculer des taux d'erreur désagrégés. Commencez avec deux caractéristiques de l'ensemble de données à comparer.", "heatMapStaticDescription": "Avec la carte thermique, vous pouvez vous concentrer sur des filtres de fonctionnalité intersection spécifiques et calculer les taux d’erreurs désagrégés. Vous devez sélectionner jusqu’à deux fonctionnalités pour créer une carte thermique via le Kit de développement logiciel (SDK) avant d’afficher le tableau de bord." }, @@ -305,108 +305,108 @@ }, "Metrics": { "AccuracyScore": { - "Name": "Accuracy score", - "Info": "The accuracy score represents the ratio of correct to total instances in the data.", - "Short": "Accuracy", - "Title": "Additional information on accuracy score" + "Name": "Score de justesse", + "Info": "Le score de précision représente le rapport entre les instances correctes et le nombre total d’instances dans les données.", + "Short": "Justesse", + "Title": "Informations supplémentaires sur le score de précision" }, "ErrorRate": { - "Name": "Error rate", - "Info": "The error rate represents the percentage of instances in the node for which the system has failed.", - "Short": "Error rate", - "Title": "Additional information on error rate" + "Name": "Taux d'erreurs", + "Info": "Le taux d'erreur représente le pourcentage d'instances dans le nœud pour lequel le système a échoué.", + "Short": "Taux d'erreurs", + "Title": "Informations supplémentaires sur le taux d'erreur" }, "F1Score": { - "Name": "F1 score", - "Info": "The F1 score is the harmonic mean of the precision and recall metrics.", - "Short": "F1 score", - "Title": "Additional information on F1 score" + "Name": "Classement F1", + "Info": "Le score F1 est la moyenne des mesures de précision et de rappel.", + "Short": "Score F1", + "Title": "Informations supplémentaires sur le score F1" }, "MeanAbsoluteError": { - "Name": "Mean absolute error", - "Info": "The mean absolute error is the average of the sum of the errors.", - "Short": "Mean abs. error", - "Title": "Additional information on mean absolute error" + "Name": "Erreur absolue moyenne", + "Info": "L’erreur absolue moyenne est la moyenne de la somme des erreurs.", + "Short": "Abs moyen. erreur", + "Title": "Informations supplémentaires sur l’erreur absolue moyenne" }, "MeanSquaredError": { - "Name": "Mean squared error", - "Info": "The mean squared error is the average of the squares of the errors.", - "Short": "Mean sq. error", - "Title": "Additional information on mean squared error" + "Name": "Erreur carrée moyenne", + "Info": "L’erreur quadratique moyenne est la moyenne des carrés des erreurs.", + "Short": "Erreur sq. moyenne", + "Title": "Informations supplémentaires sur l’erreur quadratique moyenne" }, "Precision": { - "Name": "Precision score", - "Info": "The precision is the ratio of true positives over all predicted positives.", - "Short": "Precision", - "Title": "Additional information on precision" + "Name": "Score de précision", + "Info": "La précision correspond au ratio de vrai positifs par rapport à tous les positifs prédits.", + "Short": "Précision", + "Title": "Informations supplémentaires sur la précision" }, "Recall": { - "Name": "Recall score", - "Info": "The recall is the ratio of true positives over all actual positives.", - "Short": "Recall", - "Title": "Additional information on recall" + "Name": "Score de rappel", + "Info": "Le rappel est le ratio de vrai positifs par rapport à tous les positifs réels.", + "Short": "Rappeler", + "Title": "Informations supplémentaires sur le rappel" }, "MacroPrecision": { - "Name": "Macro averaged precision score", - "Info": "The macro averaged precision is the ratio of true positives over all predicted positives computed independently per class and averaged.", - "Short": "Macro precision", - "Title": "Additional information on macro averaged precision" + "Name": "Score de précision moyen de la macro", + "Info": "La précision moyenne de la macro est le rapport entre les vrais positifs et tous les positifs prédits calculés indépendamment par classe et dont on a fait la moyenne.", + "Short": "Macro précision", + "Title": "Informations supplémentaires sur la précision moyenne de macro" }, "MicroPrecision": { - "Name": "Micro averaged precision score", - "Info": "The micro averaged precision is the ratio of true positives over all predicted positives aggregated for all classes.", - "Short": "Micro precision", - "Title": "Additional information on micro averaged precision" + "Name": "Score de précision moyen de la micro", + "Info": "La précision micro-moyenne est le ratio des vrais positifs sur tous les positifs prédits agrégés pour toutes les classes.", + "Short": "Micro précision", + "Title": "Informations supplémentaires sur la précision moyenne de macro" }, "MacroRecall": { - "Name": "Macro averaged recall score", - "Info": "The macro averaged recall is the ratio of true positives over all actual positives computed independently per class and averaged.", - "Short": "Macro recall", - "Title": "Additional information on macro averaged recall" + "Name": "Score moyen de rappel de la macro", + "Info": "Le rappel moyen de macro correspond au ratio de vrais positifs par rapport à tous les positifs réels calculés indépendamment par classe et moyennes.", + "Short": "Rappel de macro", + "Title": "Informations supplémentaires sur le rappel moyen de macro" }, "MicroRecall": { - "Name": "Micro averaged recall score", - "Info": "The micro averaged recall is the ratio of true positives over all actual positives aggregated for all classes.", - "Short": "Micro recall", - "Title": "Additional information on micro averaged recall" + "Name": "Score moyen de rappel de la macro", + "Info": "Le rappel micro-moyen est le ratio de vrai positifs par rapport à tous les positifs réels agrégés pour toutes les classes.", + "Short": "Micro-rappel", + "Title": "Informations supplémentaires sur le rappel moyen de micro" }, "MacroF1Score": { - "Name": "Macro averaged F1 score", - "Info": "The macro averaged F1 score is the harmonic mean of the macro averaged precision and recall metrics.", - "Short": "Macro F1 score", - "Title": "Additional information on macro averaged F1 score" + "Name": "Score F1 macro-moyen", + "Info": "Le score F1 macro-moyen est la moyenne des indicateurs de performance de précision et de rappel macro-moyennes.", + "Short": "Score F1 de macro", + "Title": "Informations supplémentaires sur le score F1 macro-moyen" }, "MicroF1Score": { - "Name": "Micro averaged F1 score", - "Info": "The micro averaged F1 score is the harmonic mean of the micro averaged precision and recall metrics.", - "Short": "Micro F1 score", - "Title": "Additional information on micro averaged F1 score" + "Name": "Score F1 moyen micro", + "Info": "Le score F1 micro-moyen est la moyenne des indicateurs de performance de précision et de rappel micro-moyennes.", + "Short": "Score F1 de micro", + "Title": "Informations supplémentaires sur le score F1 micro-moyen" }, "MeanAveragePrecision": { - "Name": "Mean average precision score", - "Info": "Mean average precision for object detection models is the average of AP (average precision) across all classes. This evaluates the robustness of your object detection model and encapsulates the tradeoff between precision and recall.", - "Short": "Mean avg precision", - "Title": "Additional information on mean average precision score" + "Name": "Score de précision moyen moyen", + "Info": "La précision moyenne des modèles de détection d'objets est la moyenne de l'AP (précision moyenne) dans toutes les classes. Cela évalue la robustesse de votre modèle de détection d'objets et résume le compromis entre précision et rappel.", + "Short": "Précision moyenne moyenne", + "Title": "Informations supplémentaires sur le score moyen de précision moyen" }, "AveragePrecision": { - "Name": "Average precision score", - "Info": "Average precision for object detection models is calculated for a selected class.", - "Short": "Avg precision", - "Title": "Additional information on average precision score" + "Name": "Note de précision moyenne", + "Info": "La précision moyenne des modèles de détection d'objets est calculée pour une classe sélectionnée.", + "Short": "Précision moyenne", + "Title": "Informations supplémentaires sur le score de précision moyen" }, "AverageRecall": { - "Name": "Average recall score", - "Info": "Average recall for object detection models is calculated for a selected class.", - "Short": "Avg recall", - "Title": "Additional information on average recall score" + "Name": "Score de rappel moyen", + "Info": "Le rappel moyen des modèles de détection d'objets est calculé pour une classe sélectionnée.", + "Short": "Rappel moyen", + "Title": "Informations supplémentaires sur le score de rappel moyen" }, "metricName": "Nom de la métrique", "metricValue": "Valeur de métrique" }, "MetricSelector": { "selectorLabel": "Sélectionner une métrique", - "feature1SelectorLabel": "Rows: Feature 1", - "feature2SelectorLabel": "Columns: Feature 2" + "feature1SelectorLabel": "Rangées : Caractéristique 1", + "feature2SelectorLabel": "Colonnes : fonctionnalité 2" }, "Navigation": { "cohortSaved": "La nouvelle cohorte est enregistrée ! Consultez la liste cohorte sous Paramètres de cohorte.", @@ -427,9 +427,9 @@ "defaultLabelCopy": "Copie de toutes les données" }, "TreeView": { - "ariaLabel": "Interactive chart", - "disabledArialLabel": "Disabled interactive chart", - "treeMapInfoTitle": "Additional information on tree map", + "ariaLabel": "Graphique interactif", + "disabledArialLabel": "Graphique interactif désactivé", + "treeMapInfoTitle": "Informations complémentaires sur la carte des arbres", "treeDescription": "La visualisation d’arborescence utilise les informations mutuelles entre chaque fonctionnalité et l’erreur pour mieux séparer les instances d’erreur des instances de succès dans les données de façon hiérarchique. Cela simplifie le processus de découverte et de mise en surbrillance des modèles d’échec courants. Pour trouver des modèles de défaillance importants, recherchez les nœuds avec une couleur rouge plus forte (c’est-à-dire un taux d’erreur élevé) et une plus grande ligne de remplissage (c.-à-d. une couverture d’erreur élevée). Pour modifier la liste des fonctionnalités utilisées dans l’arborescence, cliquez sur « Liste des fonctionnalités ». Utilisez le menu déroulant « Sélectionner une métrique » pour en savoir plus sur les performances de vos nœuds d’erreur et de réussite. Notez que cette sélection de métrique n’aura pas d’impact sur la façon dont votre arborescence d’erreurs est générée.", "treeStaticDescription": "La visualisation d’arborescence utilise les informations mutuelles entre chaque fonctionnalité et l’erreur pour mieux séparer les instances d’erreur des instances de succès dans les données de façon hiérarchique. Cela simplifie le processus de découverte et de mise en surbrillance des modèles d’échec courants. Pour trouver des modèles de défaillance importants, recherchez les nœuds avec une couleur rouge plus forte (c’est-à-dire un taux d’erreur élevé) et une plus grande ligne de remplissage (c.-à-d. une couverture d’erreur élevée). Pour afficher la liste des fonctionnalités utilisées pour crée cette arborescence d’erreur, cliquez sur « Liste des fonctionnalités ». Utilisez le menu déroulant « Sélectionner une métrique » pour en savoir plus sur les performances de vos nœuds d’erreur et de réussite. Notez que cette sélection de métrique n’aura pas d’impact sur la façon dont votre arborescence d’erreurs est générée.", "disabledWarning": "Le treemap des erreurs est désactivé à moins que la cohorte globale ne soit commutée pour représenter « Toutes les données », car le treemap est généré pour l'ensemble complet de données. Revenez à l'ensemble de données complet pour afficher le treemap des erreurs." @@ -764,7 +764,7 @@ "countHelperText": "Histogramme du nombre de points", "ditherLabel": "Devrait dither", "groupByCohort": "Grouper par cohorte", - "logarithmicScaling": "Enable logarithmic scaling", + "logarithmicScaling": "Activer la mise à l'échelle logarithmique", "numOfBins": "Nombre de compartiments", "selectClass": "Sélectionner une classe", "selectFeature": "Sélectionnez une caractéristique", @@ -788,7 +788,7 @@ "importancePrefix": "Importance", "numberOfDatapoints": "Nombre de points de données", "rowIndex": "Index de ligne", - "absoluteIndex": "Absolute index", + "absoluteIndex": "Indice absolu", "xValue": "Valeur X", "yValue": "Valeur Y" }, @@ -816,12 +816,12 @@ }, "CohortEditor": { "columns": { - "index": "Index", - "dataset": "Dataset", - "predictedY": "Predicted Y", + "index": "Indice", + "dataset": "Base de données", + "predictedY": "Prédit Y", "trueY": "True Y", - "classificationOutcome": "Classification outcome", - "regressionError": "Error" + "classificationOutcome": "Résultat du classement", + "regressionError": "Erreur" }, "TreatAsCategorical": "Considérer comme un traitement par catégorie", "addFilter": "Ajouter un filtre", @@ -846,8 +846,8 @@ "save": "Enregistrer", "saveAndSwitch": "Enregistrer et basculer", "selectFilter": "Sélectionner un filtre", - "noFiltersApplied": "No filters applied", - "filterAdded": "Filter added" + "noFiltersApplied": "Aucun filtre appliqué", + "filterAdded": "Filtre ajouté" }, "Columns": { "classificationOutcome": "Résultat de la classification", @@ -857,8 +857,8 @@ "falsePositive": "Faux positif", "none": "Nombre", "predictedProbabilities": "Probabilités de prédiction", - "predictedLabels": "Predicted labels", - "trueLabels": "True labels", + "predictedLabels": "Libellés prédits", + "trueLabels": "Étiquettes true", "regressionError": "Erreur de régression", "trueNegative": "Vrai négatif", "truePositive": "Vrai positif", @@ -879,7 +879,7 @@ "aggregatePlots": "Tracer des agrégats", "chartType": "Type de graphique", "colorValue": "Valeur de couleur", - "infoTitle": "Additional information on data analysis chart view", + "infoTitle": "Informations supplémentaires sur la vue graphique d'analyse de données", "helperText": "Créez des cohortes de DataSet pour analyser les statistiques de jeu de données sur les filtres, tels que les résultats attendus, les fonctionnalités de DataSet et les groupes d’erreurs. Découvrez les surprésences dans votre jeu de données.", "individualDatapoints": "Points de données individuels", "missingParameters": "Cet onglet nécessite la spécification d'un jeu de données d'évaluation.", @@ -968,10 +968,10 @@ "dependencePlotHelperText": "Ce tracé de dépendance montre la relation entre les valeurs d’une fonctionnalité et ses valeurs d’importance des fonctionnalités correspondantes.", "dependencePlotTitle": "Tracés de dépendance", "helperText": "Explorez les principales fonctionnalités importantes qui ont une incidence sur vos prédictions de modèle globales (une explication globale). Utilisez le curseur pour afficher l’importance des fonctionnalités décroissantes. L’importance des fonctionnalités de toutes les cohortes s’affiche côte à côte et peut être désactivée en sélectionnant la cohorte dans la légende. Cliquez sur l’une des fonctionnalités du graphique pour voir un tracé de densité en dessous de la manière dont les valeurs de la fonctionnalité sélectionnée influent sur la prédiction.", - "infoTitle": "Additional information on aggregate feature importance", + "infoTitle": "Informations supplémentaires sur l'importance globale des fonctionnalités", "legendHelpText": "Activez et désactivez les cohortes dans le graphique en cliquant sur les éléments de la légende.", "missingParameters": "Cet onglet nécessite la spécification du paramètre d'importance de la caractéristique locale.", - "sortByCohort": "Sort by cohort", + "sortByCohort": "Trier par cohorte", "sortBy": "Trier par point de données", "topAtoB": "Principales fonctionnalités de {0} par leur importance", "viewDependencePlotFor": "Afficher le traçage de l'affiche pour :", @@ -1014,15 +1014,15 @@ }, "Statistics": { "accuracy": "Précision : {0}", - "bleuScore": "Bleu score: {0}", - "bertScore": "Bert score: {0}", - "exactMatchRatio": "Exact match ratio: {0}", - "rougeScore": "Rouge Score: {0}", + "bleuScore": "Note bleue : {0}", + "bertScore": "Score de Bert : {0}", + "exactMatchRatio": "Rapport de correspondance exact : {0}", + "rougeScore": "Note Rouge : {0}", "fnr": "Tarif des faux négatifs : {0}", "fpr": "Taux de faux positifs : {0}", - "hammingScore": "Hamming score: {0}", + "hammingScore": "Note de Hamming : {0}", "meanPrediction": "Prédiction moyenne {0}", - "meteorScore": "Meteor Score: {0}", + "meteorScore": "Score météore : {0}", "mse": "Erreur carrée moyenne ; {0}", "precision": "Précision : {0}", "rSquared": "R² : {0}", @@ -1030,10 +1030,10 @@ "selectionRate": "Taux de sélection : {0}", "mae": "Erreur absolue moyenne : {0}", "f1Score": "Score F1 : {0}", - "samples": "Sample size: {0}", - "meanAveragePrecision": "Mean average precision: {0}", - "averagePrecision": "Average precision: {0}", - "averageRecall": "Average recall: {0}" + "samples": "Taille de l'échantillon : {0}", + "meanAveragePrecision": "Précision moyenne : {0}", + "averagePrecision": "Précision moyenne : {0}", + "averageRecall": "Rappel moyen : {0}" }, "ValidationErrors": { "addFilters": "Ajouter des filtres", @@ -1141,29 +1141,29 @@ "InterpretText": { "View": { "interpretibilityDashboard": "Tableau de bord d’interprétation", - "importantWords": "Show most Important Words", + "importantWords": "Afficher les mots les plus importants", "topFeatureList": "Analyse de la liste des principales fonctionnalités", "allButton": "TOUTES LES FONCTIONNALITÉS", "negButton": "FONCTIONNALITÉS NÉGATIVES", "posButton": "FONCTIONNALITÉS POSITIVES", - "legendText": "Positive scalar feature importances represent the extent that the words were important towards the classification of your selected label, and negative scalar feature importances represent words that encouraged your model away from your selected label.", - "legendTextForQA": "The left text box and the bar chart display the predictions of the model. The right text box shows the feature importance associated with a selected token. Positive feature importances represent the extent that the words were important towards marking the selected token as the starting/ending position of the answer.", + "legendText": "Les importances positives des caractéristiques scalaires représentent la mesure dans laquelle les mots étaient importants pour la classification de votre étiquette sélectionnée, et les importances négatives des caractéristiques scalaires représentent les mots qui ont encouragé votre modèle à s'éloigner de l'étiquette sélectionnée.", + "legendTextForQA": "La zone de texte de gauche et le graphique à barres affichent les prédictions du modèle. La zone de texte de droite montre l’importance de la fonctionnalité associée à un jeton sélectionné. Les importances positives d’un caractéristique représentent l’étendue de l’importance des mots pour marquer le jeton sélectionné comme position de début/fin de la réponse.", "label": "Étiquette", "colon": ": ", - "startingPosition": "STARTING POSITION", - "endingPosition": "ENDING POSITION", - "predictedAnswer": "Predicted answer: ", - "trueAnswer": "True answer: ", - "inputs": "Inputs", - "outputs": "Outputs" + "startingPosition": "POSITION DE DÉPART", + "endingPosition": "POSITION DE FIN", + "predictedAnswer": "Réponse prédite : ", + "trueAnswer": "Réponse vraie : ", + "inputs": "Entrées", + "outputs": "Sorties" }, "Legend": { "featureLegend": "LÉGENDE DE FONCTIONNALITÉ DE TEXTE", "posFeatureImportance": "IMPORTANCE DE LA FONCTIONNALITÉ POSITIVE", "negFeatureImportance": "IMPORTANCE DE LA FONCTIONNALITÉ NÉGATIVE", - "cls": "CLS: start of the sentence", - "sep": "SEP: end of the sentence", - "selectedWord": "Selected word: " + "cls": "CLS : début de la phrase", + "sep": "SEP : fin de la phrase", + "selectedWord": "Mot sélectionné : " }, "BarChart": { "featureImportance": "IMPORTANCE DES FONCTIONNALITÉS" @@ -1171,16 +1171,16 @@ }, "InterpretVision": { "Cohort": { - "close": "Close", - "errorCohortName": "Please choose a unique cohort name.", - "errorNumSelected": "Please select at least one (1) item.", - "itemsSelectedSingular": "item selected", - "itemsSelectedPlural": "items selected", - "save": "Save cohort", - "saveAndClose": "Save and close", - "saveAndSwitch": "Save and switch", - "textField": "New cohort name", - "title": "Save new cohort" + "close": "Fermer", + "errorCohortName": "Veuillez choisir un nom de cohorte unique.", + "errorNumSelected": "Veuillez sélectionner au moins un (1) élément.", + "itemsSelectedSingular": "élément sélectionné", + "itemsSelectedPlural": "éléments sélectionnés", + "save": "Enregistrez la cohorte", + "saveAndClose": "Enregistrer et fermer", + "saveAndSwitch": "Enregistrer et basculer", + "textField": "Nouveau nom de cohorte", + "title": "Enregistrer la nouvelle cohorte" }, "Dashboard": { "allData": "Toutes les données", @@ -1189,37 +1189,37 @@ "columnThree": "Y réel", "columnFour": "Valeur Y prédite", "columnFive": "Autres métadonnées", - "chooseObject": "Choose a detected object", - "examples": "examples", + "chooseObject": "Choisissez un objet détecté", + "examples": "Exemples", "filter": "Filtrer", "indexLabel": "Image ", - "labelTypeDropdown": "Select label type", - "labelVisibilityDropdown": "Select labels to display", - "legendFailure": "failure", - "legendSuccess": "success", - "loading": "Computing explanation for index", - "multiselect": "Multiselect", - "notdefined": "object scenario not defined", - "objectSelect": "Object Selection", + "labelTypeDropdown": "Sélectionnez le type d'étiquette", + "labelVisibilityDropdown": "Sélectionnez les libellés à afficher", + "legendFailure": "échec", + "legendSuccess": "succès", + "loading": "Explication informatique pour l'index", + "multiselect": "Sélection multiple", + "notdefined": "scénario d'objet non défini", + "objectSelect": "Sélection d'objet", "pageSize": "Taille de page : ", - "panelTitle": "Selected instance", - "panelExplanation": "Explanation", - "panelInformation": "Information", - "predictedLabel": "Predicted label", - "predictedY": "Predicted: ", - "prefix": "Object: ", - "rows": "Rows: ", + "panelTitle": "Instance sélectionné", + "panelExplanation": "Explication", + "panelInformation": "Informations", + "predictedLabel": "Libellé prédit", + "predictedY": "Prédit : ", + "prefix": "Objet : ", + "rows": "Lignes : ", "search": "Rechercher", - "selectAll": "Select all", + "selectAll": "Tout sélectionner", "settings": "Paramètres", - "showAll": "Show all", + "showAll": "Tout afficher", "tabOptionFirst": "Affichage de l’Explorateur d’images", "tabOptionSecond": "Affichage Table", - "tabOptionThird": "Class view", + "tabOptionThird": "Affichage de classes", "thumbnailSize": "Taille de la miniature", "titleBarError": "Instances d’erreur", "titleBarSuccess": "Instances réussies", - "trueY": "Ground truth: " + "trueY": "Vérité terrain : " } }, "ModelAssessment": { @@ -1228,15 +1228,15 @@ "CalloutContent": "L’ajout de certains composants (arborescence d’erreurs, carte thermique d’erreur) vous permettra de filtrer les données du système global que vous voyez dans les composants ci-dessous.", "CalloutTitle": "Ajouter un composant", "TabAddedMessage": { - "DataAnalysis": "Data analysis component added", - "FeatureImportances": "Feature importances component added", - "ErrorAnalysis": "Error analysis component added", - "Fairness": "Fairness component added", - "ModelOverview": "Model overview component added", - "CausalAnalysis": "Causal analysis component added", - "Counterfactuals": "Counterfactuals component added", - "Vision": "Vision data explorer component added", - "Forecasting": "Forecasting what-if component added" + "DataAnalysis": "Composant d'analyse de données ajouté", + "FeatureImportances": "Composant d'importance des fonctionnalités ajouté", + "ErrorAnalysis": "Composant d'analyse d'erreur ajouté", + "Fairness": "Élément d'équité ajouté", + "ModelOverview": "Composant de vue d'ensemble du modèle ajouté", + "CausalAnalysis": "Composant d'analyse causale ajouté", + "Counterfactuals": "Composant contrefactuel ajouté", + "Vision": "Composant de l'explorateur de données Vision ajouté", + "Forecasting": "Composant de prévision de simulation ajouté" } }, "CausalAnalysis": { @@ -1264,7 +1264,7 @@ }, "CohortInformation": { "ShiftCohort": "Changer de cohorte", - "SwitchTimeSeries": "Switch time series", + "SwitchTimeSeries": "Changer de série chronologique", "NewCohort": "Nouvelle cohorte", "DataPoints": "Nombre de points de données", "DefaultCohort": " (par défaut)", @@ -1276,7 +1276,7 @@ "CohortSettingsTitle": "Paramètres de cohorte" }, "ComponentNames": { - "ChartView": "Chart view", + "ChartView": "Vue graphique", "CausalAnalysis": "Analyse causale", "Counterfactuals": "Contrefactuels", "DataAnalysis": "Analyse des données", @@ -1285,10 +1285,10 @@ "ErrorAnalysis": "Analyse des erreurs", "Fairness": "Justesse", "FeatureImportances": "Importances des fonctionnalités", - "Forecasting": "Forecasting", + "Forecasting": "Prévision", "ModelOverview": "Vue d’ensemble du modèle", - "TableView": "Table view", - "VisionTab": "Vision data explorer" + "TableView": "Vue de tableau", + "VisionTab": "Explorateur de données visuelles" }, "DashboardSettings": { "Content": "Cette liste montre la disposition du tableau de bord. Vous pouvez filtrer les données à l'aide du composant d'analyse des erreurs, à visualiser dans les composants ci-dessous.", @@ -1446,17 +1446,17 @@ "CorrectPredictions": "Prédictions correctes", "GlobalExplanation": "Importance des fonctionnalités agrégées", "IncorrectPredictions": "Prédictions incorrectes", - "InfoTitle": "Additional information on data analysis table view", - "IndividualFeatureTabular": "Select a datapoint by clicking on a datapoint (up to 5 datapoints) in the table to view their local feature importance values (local explanation) and individual conditional expectation (ICE) plots.", - "IndividualFeatureText": "Select a datapoint by clicking on a datapoint in the table to view the local feature importance values (local explanation).", + "InfoTitle": "Informations supplémentaires sur la vue du tableau d'analyse des données", + "IndividualFeatureTabular": "Sélectionnez un point de données en cliquant sur un point de données (jusqu'à 5 points de données) dans le tableau pour afficher leurs valeurs d'importance des caractéristiques locales (explication locale) et les parcelles d'attente conditionnelle individuelle (ICE).", + "IndividualFeatureText": "Sélectionnez un point de données en cliquant sur un point de données dans le tableau pour afficher les valeurs d'importance des caractéristiques locales (explication locale).", "LocalExplanation": "Importance des fonctionnalités individuelles", "SelectionCounter": "points de données{0}/{1} sélectionnés", "SelectionLimit": "Vous pouvez sélectionner jusqu’à 5 points de données pour le moment.", - "RowCheckboxAriaLabel": "Row checkbox", - "SelectionColumnAriaLabel": "Toggle selection" + "RowCheckboxAriaLabel": "Case à cocher Ligne", + "SelectionColumnAriaLabel": "Basculer la sélection" }, "IndividualFeatureImportanceView": { - "SmallInstanceSelection": "Instance selection" + "SmallInstanceSelection": "Sélection d’instance" }, "MainMenu": { "DashboardSettings": "Configuration du tableau de bord", @@ -1472,44 +1472,44 @@ "ModelOverview": { "metrics": { "accuracy": { - "name": "Accuracy score", + "name": "Score de justesse", "description": "Fraction des points de données correctement classifiés." }, "exactMatchRatio": { - "name": "Exact match ratio", - "description": "The ratio of instances classified correctly for every label." + "name": "Rapport de correspondance exact", + "description": "Le ratio d'instances classées correctement pour chaque étiquette." }, "meteorScore": { - "name": "Meteor Score", - "description": "METEOR Score is calculated based on the harmonic mean of precision and recall, with recall weighted more than precision in question answering task." + "name": "Score météore", + "description": "Le score METEOR est calculé sur la base de la moyenne harmonique de la précision et du rappel, le rappel étant plus pondéré que la précision dans la tâche de réponse aux questions." }, "bleuScore": { - "name": "Bleu Score", - "description": "Bleu Score measures the ratio of words (and/or n-grams) in the machine generated text that appeared in the reference text in question answering task." + "name": "Note bleue", + "description": "Bleu Score mesure le ratio de mots (et/ou n-grammes) dans le texte généré par la machine qui est apparu dans le texte de référence dans la tâche de réponse aux questions." }, "bertScore": { - "name": "Bert Score", - "description": "BERTScore focuses on computing semantic similarity between tokens of reference and machine generated text in question answering task." + "name": "Score de Bert", + "description": "BERTScore se concentre sur le calcul de la similarité sémantique entre les jetons de référence et le texte généré par la machine dans la tâche de réponse aux questions." }, "rougeScore": { - "name": "Rouge Score", - "description": "Rouge Score measures the ratio of words (and/or n-grams) in the reference text that appeared in the machine generated text in question answering task." + "name": "Note Rouge", + "description": "Le score de rouge mesure le rapport des mots (et/ou des n-grammes) dans le texte de référence qui sont apparus dans le texte généré par la machine dans la tâche de réponse aux questions." }, "hammingScore": { - "name": "Hamming score", - "description": "The average ratio of labels classified correctly among those classified as 1 in multilabel task." + "name": "Score de Hamming", + "description": "Le ratio moyen d'étiquettes classées correctement parmi celles classées comme 1 dans une tâche multiétiquette." }, "f1Score": { "name": "Score F1", "description": "Le score F1 est la moyenne harmonique de précision et de rappel." }, "f1ScoreMacro": { - "name": "Macro F1 score", - "description": "Macro F1 score is the harmonic mean of precision and recall for each class, with each class weighted equally." + "name": "Score Macro F1", + "description": "Le score macro F1 est la moyenne harmonique de la précision et du rappel pour chaque classe, chaque classe étant pondérée de manière égale." }, "f1ScoreMicro": { - "name": "Micro F1 score", - "description": "Micro F1 score is the harmonic mean of precision and recall for each class, with each class weighted according to how many instances it contains." + "name": "Score Micro F1", + "description": "Le score Micro F1 est la moyenne harmonique de précision et de rappel pour chaque classe, chaque classe étant pondérée en fonction du nombre d'instances qu'elle contient." }, "meanAbsoluteError": { "name": "Erreur absolue moyenne", @@ -1524,24 +1524,24 @@ "description": "Fraction de points de données correctement classifiés parmi ceux classifiés comme ayant la valeur 1." }, "precisionMacro": { - "name": "Macro Precision score", - "description": "The fraction of data points classified correctly among those classified as 1 for each class with each class weighted equally." + "name": "Note de précision macro", + "description": "La fraction de points de données classés correctement parmi ceux classés comme 1 pour chaque classe, chaque classe étant pondérée de manière égale." }, "precisionMicro": { - "name": "Micro Precision score", - "description": "The fraction of data points classified correctly among those classified as 1 for each class with each class weighted according to how many instances it contains." + "name": "Score de micro-précision", + "description": "La fraction de points de données classés correctement parmi ceux classés comme 1 pour chaque classe, chaque classe étant pondérée en fonction du nombre d'instances qu'elle contient." }, "recall": { "name": "Score de rappel", "description": "Fraction des points de données correctement classifiés parmi ceux dont l'étiquette true est 1. Autres noms : taux de vrais positifs, sensibilité." }, "recallMacro": { - "name": "Macro Recall score", - "description": "The fraction of data points classified correctly among those whose true label is 1 for each class with each class weighted equally." + "name": "Score de rappel de macro", + "description": "La fraction de points de données classés correctement parmi ceux dont la véritable étiquette est 1 pour chaque classe, chaque classe étant pondérée de manière égale." }, "recallMicro": { - "name": "Micro Recall score", - "description": "The fraction of data points classified correctly among those whose true label is 1 for each class with each class weighted according to how many instances it contains." + "name": "Score de micro-rappel", + "description": "La fraction de points de données classés correctement parmi ceux dont la véritable étiquette est 1 pour chaque classe, chaque classe étant pondérée en fonction du nombre d'instances qu'elle contient." }, "falsePositiveRate": { "name": "Taux de faux positifs", @@ -1560,32 +1560,32 @@ "description": "Moyenne de toutes les prédictions." }, "meanAveragePrecision": { - "name": "Mean Average Precision score", - "description": "Mean average precision for object detection models is the average of AP (average precision) across all classes. This evaluates the robustness of your object detection model and encapsulates the tradeoff between precision and recall." + "name": "Score moyen de précision moyen", + "description": "La précision moyenne des modèles de détection d'objets est la moyenne de l'AP (précision moyenne) dans toutes les classes. Cela évalue la robustesse de votre modèle de détection d'objets et résume le compromis entre précision et rappel." }, "averagePrecision": { - "name": "Average Precision score", - "description": "Average precision for object detection models is calculated for a selected class." + "name": "Score de précision moyen", + "description": "La précision moyenne des modèles de détection d'objets est calculée pour une classe sélectionnée." }, "averageRecall": { - "name": "Average Recall score", - "description": "Average recall for object detection models is calculated for a selected class." + "name": "Score de rappel moyen", + "description": "Le rappel moyen des modèles de détection d'objets est calculé pour une classe sélectionnée." }, "fairnessMetricDifference": "Différences", "fairnessMetricRatio": "Proportions" }, "metricsDropdown": "Indicateur(s) de performance", - "metricsTypeDropdown": "Aggregate method", + "metricsTypeDropdown": "Méthode d’agrégation", "metricTypes": { "macro": "Macro", "micro": "Micro" }, - "classSelectionDropdown": "Select class(es)", + "classSelectionDropdown": "Sélectionnez la ou les classe(s)", "iouThresholdDropdown": { - "name": "IoU Threshold", - "description": "Intersection over Union quantifies the degree of overlap between the prediction and ground truth bounding box of a detected object in an image. For example, setting an IoU threshold of 70% means that a prediction with greater than 70% overlap with ground truth is True, thus influencing the definition of prediction correctness and calculation of other performance metrics.", + "name": "Seuil IoU", + "description": "L'intersection sur l'Union quantifie le degré de chevauchement entre la prédiction et la boîte englobante de vérité terrain d'un objet détecté dans une image. Par exemple, la définition d'un seuil IoU de 70 % signifie qu'une prédiction avec un chevauchement supérieur à 70 % avec la vérité terrain est vraie, influençant ainsi la définition de l'exactitude de la prédiction et le calcul d'autres mesures de performance.", "iconId": "iouThresholdIconId", - "title": "Learn about the IoU threshold" + "title": "En savoir plus sur le seuil IoU" }, "notAvailable": "N/A", "countColumnHeader": "Taille de l'échantillon", @@ -1597,14 +1597,14 @@ "featuresDropdown": "Fonctionnalités", "metricChartDropdownSelectionHeader": "Indicateur de performance", "probabilityForClassSelectionHeader": "Probabilité pour la classe", - "targetSelectionHeader": "Target", + "targetSelectionHeader": "Cible", "metricSelectionDropdownPlaceholder": "Sélectionnez des indicateurs de performance pour comparer vos cohortes.", - "classSelectionDropdownPlaceholder": "Select class name for class-based analysis.", + "classSelectionDropdownPlaceholder": "Sélectionnez le nom de la classe pour l'analyse basée sur la classe.", "featureSelectionDropdownPlaceholder": "Sélectionnez les fonctionnalités à utiliser pour une analyse basée sur les fonctionnalités.", "probabilityDistributionPivotItem": "Distribution de probabilité", - "regressionDistributionPivotItem": "Target distribution", + "regressionDistributionPivotItem": "Répartition cible", "metricsVisualizationsPivotItem": "Visualisations des indicateurs de performance", - "confusionMatrixPivotItem": "Confusion matrix", + "confusionMatrixPivotItem": "Matrice de confusion", "disaggregatedAnalysisFeatureSelectionPlaceholder": "Sélectionnez les fonctionnalités pour générer l’analyse basée sur les fonctionnalités.", "tableCountTooltip": "La cohorte {0} contient {1} instances.", "tableMetricTooltip": "Le {0} du modèle sur la cohorte {1} est {2}", @@ -1615,36 +1615,36 @@ "metricSelectionButton": "Choisir un indicateur de performance", "cohortSelectionButton": "Choisir des cohortes", "probabilityLabelSelectionButton": "Choisir une étiquette", - "regressionTargetSelectionButton": "Choose target", + "regressionTargetSelectionButton": "Choisir la cible", "selectAllCohortsOption": "Tout sélectionner", "other": "Autre", "BoxPlot": { "outlierProbability": "probabilité", "outlierLabel": "Valeurs hors norme", "boxPlotSeriesLabel": "Graphique en boîte", - "lowerWhisker": "Lower whisker", - "upperWhisker": "Upper whisker", - "median": "Median", - "lowerQuartile": "Lower quartile", - "upperQuartile": "Upper quartile" + "lowerWhisker": "Moustache inférieure", + "upperWhisker": "Moustache supérieure", + "median": "Médiane", + "lowerQuartile": "Quartile inférieure", + "upperQuartile": "Quartile supérieur" }, "chartConfigApply": "Appliquer", "chartConfigCancel": "Annuler", "chartConfigDatasetCohortSelectionPlaceholder": "Sélectionnez des cohortes de jeux de données", "chartConfigFeatureBasedCohortSelectionPlaceholder": "Sélectionner des cohortes basées sur des fonctionnalités", "confusionMatrix": { - "confusionMatrixCohortSelectionLabel": "Select dataset cohort", - "confusionMatrixClassSelectionLabel": "Select classes", - "confusionMatrixClassMinSelectionError": "Select at least {0} classes to visualize the confusion matrix.", - "confusionMatrixClassMaxSelectionError": "Select at most {0} classes to visualize the confusion matrix.", - "confusionMatrixClassSelectionDefaultPlaceholder": "Choose classes", - "confusionMatrixHeatmapTooltip": "{0} datapoints should be {1}, predicted to be {2}", - "confusionMatrixYAxisLabel": "True Class", - "confusionMatrixXAxisLabel": "Predicted Class", - "class": "Class" + "confusionMatrixCohortSelectionLabel": "Sélectionner la cohorte de l'ensemble de données", + "confusionMatrixClassSelectionLabel": "Sélectionner des classes", + "confusionMatrixClassMinSelectionError": "Sélectionnez au moins {0} des classes pour visualiser la matrice de confusion.", + "confusionMatrixClassMaxSelectionError": "Sélectionnez au plus les {0} classes pour visualiser la matrice de confusion.", + "confusionMatrixClassSelectionDefaultPlaceholder": "Choisissez des cours", + "confusionMatrixHeatmapTooltip": "les points de données {0} devraient être {1}, prédit être {2}", + "confusionMatrixYAxisLabel": "Classe True", + "confusionMatrixXAxisLabel": "Classe prédite", + "class": "Classe" }, "nA": "N/A", - "disaggregatedAnalysisBaseCohortDisclaimer": "The cohorts in the following feature-based analysis are based on the global cohort, {0}.", + "disaggregatedAnalysisBaseCohortDisclaimer": "Les cohortes de l’analyse basée sur les fonctionnalités suivante sont basées sur la cohorte globale, {0}.", "disaggregatedAnalysisBaseCohortWarning": "Contrairement à la cohorte {0}, {1} inclut des filtres. Par conséquent, il capture uniquement un sous-ensemble de l’ensemble du jeu de données et les insights ne peuvent pas se généraliser au jeu de données complet.", "probabilitySplineChartToggleLabel": "Utiliser le graphique spline", "countAxisLabel": "Nombre", @@ -1674,76 +1674,76 @@ "flyoutDescription": "Vous pouvez choisir d’afficher les cohortes de jeux de données ou les cohortes de caractéristiques. Si les cohortes de fonctionnalités ne sont pas disponibles, vous devez d’abord sélectionner une ou plusieurs fonctionnalités dans la vue des cohortes de fonctionnalités. Par la suite, des cohortes de fonctionnalités sont générées et vous pouvez les sélectionner ici." }, "regressionTargetOptions": { - "predictedY": "Predicted Y", + "predictedY": "Prédit Y", "trueY": "True Y", - "error": "Error" + "error": "Erreur" }, "topLevelDescription": "Évaluez les performances de votre modèle en explorant la distribution de vos valeurs de prédiction et les valeurs de vos métriques de performances de modèle. Utilisez l’onglet « Cohortes de jeux de données » pour examiner votre modèle en examinant une analyse comparée de ses performances sur différentes cohortes de jeux de données prédéfinies ou nouvellement créées. Utilisez les « cohortes de fonctionnalités » pour examiner votre modèle en examinant une analyse comparée de ses performances sur les sous-conteneurs de fonctionnalités sensibles/non sensibles. (par exemple, performances entre les différents sexe, niveaux de revenu).", - "infoTitle": "Additional information on model overview", + "infoTitle": "Informations supplémentaires sur l'aperçu du modèle", "visualDisplayToggleLabel": "Afficher la carte thermique", "featureBasedViewDescription": "Sélectionnez jusqu’à deux fonctionnalités pour voir la répartition des performances du modèle dans les cohortes basées sur les fonctionnalités (si une fonctionnalité est sélectionnée) ou les cohortes intersectionnelles (si deux fonctionnalités sont sélectionnées)." }, "TableViewTab": { - "Heading": "View the dataset in a table format for all features and rows." + "Heading": "Affichez le jeu de données sous forme de tableau pour toutes les entités et lignes." } }, "Forecasting": { - "target": "Target", - "whatIfForecastingHeader": "What-if analysis", - "forecastHeader": "Forecast analysis", - "whatIfForecastingDescription": "What-if allows you to perturb features for your entire time series and observe how the model's forecast changes.", - "whatIfForecastingChooseTimeSeries": "To start, choose a time series from the options below.", - "forecastDescription": "Forecast analysis compares your model's forecast to the actual values of your time series. To enable what-if analysis, provide a dataset with features.", - "timeSeries": "Time series", - "selectTimeSeries": "Select a time series.", - "singleTimeSeries": "The dataset contains only a single time series '{0}' which has been selected by default.", + "target": "Cible", + "whatIfForecastingHeader": "Analyse de simulation", + "forecastHeader": "Analyse des prévisions", + "whatIfForecastingDescription": "What-if vous permet de perturber les caractéristiques de l'ensemble de votre série temporelle et d'observer l'évolution des prévisions du modèle.", + "whatIfForecastingChooseTimeSeries": "Pour commencer, choisissez une série chronologique parmi les options ci-dessous.", + "forecastDescription": "L'analyse des prévisions compare les prévisions de votre modèle aux valeurs réelles de votre série chronologique. Pour activer l'analyse de simulation, fournissez un ensemble de données avec des fonctionnalités.", + "timeSeries": "Série chronologique", + "selectTimeSeries": "Sélectionnez une série chronologique.", + "singleTimeSeries": "Le jeu de données ne contient qu'une seule série chronologique « {0} » qui a été sélectionnée par défaut.", "trueY": "True Y", - "baselinePrediction": "Baseline prediction", - "forecastComparisonHeader": "Compare What-if Forecasts", - "forecastComparisonChartTitle": "Forecasts", - "forecastComparisonChartTimeAxisLabel": "Time", + "baselinePrediction": "Prédiction de base", + "forecastComparisonHeader": "Comparez les prévisions de simulation", + "forecastComparisonChartTitle": "Prévisions", + "forecastComparisonChartTimeAxisLabel": "Heure", "Transformations": { - "multiply": "multiply", - "divide": "divide", - "add": "add", - "subtract": "subtract", - "change": "change to" + "multiply": "multiplier", + "divide": "diviser", + "add": "ajouter", + "subtract": "soustraire", + "change": "changer pour" }, "TransformationCreation": { - "title": "Create what-if scenario", - "nameLabel": "What-if scenario name", - "featureInstructions": "Choose a feature to perturb.", - "operationInstructions": "Choose an operation to apply to the feature.", - "operationDropdownHeader": "Operation", - "featureDropdownHeader": "Feature", - "valueSpinButtonHeader": "Value", - "scenarioNamingInstructionsPlaceholder": "Enter a unique name", - "scenarioNamingInstructions": "Enter a name for your what-if scenario.", - "scenarioNamingCollisionMessage": "This name exists already. Please enter a unique name.", - "scenarioNamingLengthMessage": "The name must be between 1 and 50 characters. The actual length is {0}.", - "scenarioNamingInvalidCharactersMessage": "The name can only contain alphanumeric characters, whitespaces, dashes, or underscores, and needs to start with an alphanumeric character.", - "valueErrorMessage": "For operation {0} please select a value other than {1}.", - "invalidCombinationErrorMessage": "This is identical to an existing what-if scenario. Please change the feature, operation, or value.", - "addTransformationButton": "Add Transformation", - "divisionAndMultiplicationBy": "by" + "title": "Créer un scénario hypothétique", + "nameLabel": "Nom du scénario de simulation", + "featureInstructions": "Choisissez une caractéristique à perturber.", + "operationInstructions": "Choisissez une opération à appliquer à la fonction.", + "operationDropdownHeader": "Opération", + "featureDropdownHeader": "Fonctionnalité", + "valueSpinButtonHeader": "Valeur", + "scenarioNamingInstructionsPlaceholder": "Entrer un nom unique", + "scenarioNamingInstructions": "Saisissez un nom pour votre scénario de simulation.", + "scenarioNamingCollisionMessage": "Ce nom existe déjà. Veuillez entrer un nom unique.", + "scenarioNamingLengthMessage": "Le nom doit comporter entre 1 et 50 caractères. La longueur réelle est {0}.", + "scenarioNamingInvalidCharactersMessage": "Le nom ne peut contenir que des caractères alphanumériques, des espaces, des tirets ou des traits de soulignement, et doit commencer par un caractère alphanumérique.", + "valueErrorMessage": "Pour le fonctionnement {0}, veuillez sélectionner une valeur autre que {1}.", + "invalidCombinationErrorMessage": "Ceci est identique à un scénario de simulation existant. Veuillez modifier la fonctionnalité, l'opération ou la valeur.", + "addTransformationButton": "Ajouter une transformation", + "divisionAndMultiplicationBy": "par" }, "TransformationTable": { - "nameColumnHeader": "Name", - "methodColumnHeader": "Method", - "divisionAndMultiplicationBy": "by ", - "header": "What-if Forecasts ({0})" + "nameColumnHeader": "Nom", + "methodColumnHeader": "Méthode", + "divisionAndMultiplicationBy": "par ", + "header": "Prévisions de simulation ({0})" }, "TimeSeries": { - "apply": "Apply", - "cancel": "Cancel", - "cohortList": "Time series list", - "selectCohort": "Select a time series", - "shiftCohort": "Switch time series", - "shiftCohortDescription": "Select a time series from the time series list. Apply the time series to the dashboard." + "apply": "Appliquer", + "cancel": "Annuler", + "cohortList": "Liste des séries chronologiques", + "selectCohort": "Sélectionnez une série chronologique", + "shiftCohort": "Changer de série chronologique", + "shiftCohortDescription": "Sélectionnez une série chronologique dans la liste des séries chronologiques. Appliquez la série chronologique au tableau de bord." }, "TimeSeriesSettings": { - "CohortSettingsDescription": "Time series are pre-defined based on time series identifying columns.", - "CohortSettingsTitle": "Time series settings" + "CohortSettingsDescription": "Les séries chronologiques sont prédéfinies en fonction des colonnes d'identification des séries chronologiques.", + "CohortSettingsTitle": "Paramètres de série chronologique" } } } \ No newline at end of file diff --git a/libs/localization/src/lib/en.hu.json b/libs/localization/src/lib/en.hu.json index 3f52822bcc..a7789f7e66 100644 --- a/libs/localization/src/lib/en.hu.json +++ b/libs/localization/src/lib/en.hu.json @@ -3,26 +3,26 @@ "close": "Bezárás", "tooltipButton": "Elemleírás gomb", "identityFeature": "Identitásjellemző", - "infoTitle": "Additional information", - "spinButton": "Spin", - "editButton": "Edit", - "decreaseValue": "Decrease value", - "increaseValue": "Increase value", - "decreaseValueByOne": "Decrease value by 1", - "increaseValueByOne": "Increase value by 1", - "loading": "Loading..." + "infoTitle": "További információ", + "spinButton": "Léptetőgomb", + "editButton": "Szerkesztés", + "decreaseValue": "Érték csökkentése", + "increaseValue": "Érték növelése", + "decreaseValueByOne": "Érték csökkentése 1-gyel", + "increaseValueByOne": "Érték növelése 1-gyel", + "loading": "Betöltés..." }, "ChartContextMenu": { - "hideData": "Hide data table", - "viewData": "View data table", - "viewInFullScreen": "View in full screen", - "printChart": "Print chart", - "downloadCSV": "Download CSV", - "downloadPNG": "Download PNG image", - "downloadJPEG": "Download JPEG image", - "downloadPDF": "Download PDF document", - "downloadSVG": "Download SVG vector image", - "downloadXLS": "Download XLS" + "hideData": "Adattábla elrejtése", + "viewData": "Adattábla megtekintése", + "viewInFullScreen": "Megtekintés teljes képernyőn", + "printChart": "Diagram nyomtatása", + "downloadCSV": "CSV letöltése", + "downloadPNG": "PNG-kép letöltése", + "downloadJPEG": "JPEG-kép letöltése", + "downloadPDF": "PDF-dokumentum letöltése", + "downloadSVG": "SVG-vektorkép letöltése", + "downloadXLS": "XLS letöltése" }, "CausalAnalysis": { "AggregateView": { @@ -39,7 +39,7 @@ "description": "Az okozati elemzés olyan, „mi lett volna, ha” jellegű kérdésekre ad választ, amelyek azt firtatják, hogyan változtak volna a tényleges eredmények más szabályzat választásakor, például más díjszabási stratégia követésekor egy termékre vonatkozóan, vagy eltérő kezelést alkalmazásakor egy betegre. A fontos korrelációs minták azonosítására szolgáló modell-előrejelzésektől eltérően ezek az eszközök segítenek azonosítani azokat a legfontosabb okozati jellemzőket, amelyek közvetlenül befolyásolják a vizsgálni kívánt eredményt. Ezek a modellek meghatározzák egy adott jellemző okozati hatását, (jellemzően „kezelésként” hivatkoznak rá) miközben állandó értéken tartják az egyéb zavaró jellemzőket. A legjobb eredmények eléréséért bizonyosodjon meg arról, hogy az egész adathalmaz tartalmazza az összes olyan elérhető jellemzőt, amely esetleg zavaró tényezőként áll összefüggésben az eredménnyel.", "directAggregate": "Az egyes kezelések közvetlen összesített okozati hatása 95%-os konfidencia-intervallummal", "here": "itt", - "infoTitle": "Additional information on aggregated causal effects", + "infoTitle": "További információ az összesített okozati hatásokról", "lasso": "A lasszó (vagy bináris y esetén logisztikai regresszió) alkalmas volt az X[-i] y-ból való előrejelzésére, és a lasszó (vagy logisztikai regresszió, ha az X[i] kategorikus) alkalmas volt az X[i] előrejelzésére Χ [-i] alapján. Az okozati hatás a két előrejelzési feladat reziduálisainak/váratlan variációjának átlagos korrelációjaként tekinthető meg. További információ a Double Machine Learningről", "unconfounding": "Mik azok a zavaró jellemzők?" }, @@ -51,7 +51,7 @@ "description": "Az egyéni okozati hatások személyre szabott beavatkozásokat, például célzott promóciót, vagy egy személyre szabott kezelési tervet nyújthatnak az ügyfeleknek. Hogyan reagálna egy adott funkciókészlettel rendelkező személy az okozati funkció vagy kezelés változására? Az okozati lehetőségelemzési eszköz kiszámítja egy adott személy valós eredményeinek marginális változásait, ha megváltoztatja a kezelés szintjét. Ez az elemzés lehetővé teszi annak megértését, hogy a valós eredmények hogyan változtak volna a különböző szabályzati döntések alapján, például egy termék eltérő díjszabási stratégiája vagy egy páciens alternatív kezelése esetén. Adja meg az érdeklődési körök kezelését, és figyelje meg hogyan változna a valós eredmény.", "directIndividual": "Az egyes kezelések közvetlen önálló okozati hatása 95%-os konfidencia-intervallummal", "index": "Adatpontindex", - "infoTitle": "Additional information on individual causal what-if", + "infoTitle": "További információ az egyéni okozati lehetőségelemzésről", "missingParameters": "Ehhez a laphoz meg kell adni egy kiértékelési adathalmazt.", "newOutcome": "Új eredmény", "selectTreatment": "Kezelés kiválasztása", @@ -85,7 +85,7 @@ "averageGainBinary": "A(z) {0} kezelés átlagos nyeresége a(z) {1} alapértékre állításával.", "averageGainContinuous": "Az alternatív szabályzatok átlagos nyeresége a(z) {0} kezelési móddal szemben.", "header": "Ezek az eszközök segítenek a jövőbeli beavatkozásokhoz szükséges szabályzatok létrehozásában. Beazonosíthatja, hogy a minta mely részeinél vannak legnagyobb válaszok az okozati jellemzők vagy kezelések esetében és hozzon létre szabályokat ahhoz, hogy mely jövőbeli populációk legyenek megcélozva egyes beavatkozásoknál.", - "infoTitle": "Additional information on treatment policy", + "infoTitle": "További információ a kezelési szabályzatról", "nSample": "n = {0}", "noData": "Nincs adat" } @@ -116,8 +116,8 @@ "cancel": "Mégse", "title": "Kohorszváltás", "subText": "Válasszon ki egy kohorszt a kohorszok listájából. Alakalmazza a kohorszt az irányítópultra.", - "selectCohort": "Select a cohort", - "cohortList": "Cohort list" + "selectCohort": "Kohorsz kiválasztása", + "cohortList": "Kohorszlista" }, "PreBuiltCohort": { "featureNameNotFound": "A funkciónév nem található az adathalmazban", @@ -148,13 +148,13 @@ "predictedClass": "Előrejelzett osztály", "predictedValue": "Előrejelzett érték" }, - "Size": "Size", - "loading": "Loading...", + "Size": "Méret", + "loading": "Betöltés...", "counterfactualEx": "Ellenpélda {0}", "counterfactualName": "Lehetőségelemzési ellenpélda neve", "createWhatIfCounterfactual": "Lehetőségelemzési ellenpélda létrehozása", "createCounterfactual": "Ellenpélda", - "revertToBubbleChart": "View bubble chart", + "revertToBubbleChart": "Buborékdiagram megtekintése", "createOwn": "Hozza létre a saját ellenpéldáját:", "currentClass": "Aktuális osztály", "currentRange": "Aktuális tartomány", @@ -167,9 +167,9 @@ "listDescription": "Ez a lista azt mutatja, hogy az aktuális adatmintának mely adatpontjai rendelkeznek a legnagyobb okozati válasszal a kiválasztott kezelésre, a becsült okozati modellben szereplő összes jellemző alapján. A bal oldali öt oszlopban a következők találhatók: ajánlott-e kezelés a megfigyeléshez, a jelenlegi kezelés, a kezelés becsült hatása (az alapterv szerinti bináris kezelésekre vonatkozó kezelés nélküli kezelés hatása, illetve a kezelési jellemző növelése vagy csökkentése a minta tipikus kezelési méretének 10% szerint: [dinamikus: jelentse a numerikus változást a kezelésben, amelyet használtunk]), valamint az alsó és felső konfidencia-intervallum (CI). A fennmaradó oszlopok az egyes megfigyelések jelenlegi kezelési állapotát és egyéb jellemzőit mutatják.", "localImportanceDescription": "A perturbálási {0} sor top rangsorolt jellemzői a kívánt modell-előrejelzés eléréséhez. Az előrejelzési lehetőségelemzés alapján: {1}", "localImportanceSelectData": "Adatpont kiválasztása a helyi fontossági diagram megjelenítéséhez", - "largeLocalImportanceSelectData": "Select a bubble, followed by a data point to view local importance chart", - "localImportanceFetchError": "There was an error while fetching the local importance data. Error details: {0} Please check the data used.", - "BubbleChartFetchError": "There was an error while fetching the data. Error details: {0} Please check the data used.", + "largeLocalImportanceSelectData": "Jelöljön ki egy buborékot, majd egy adatpontot a helyi fontossági diagram megtekintéséhez", + "localImportanceFetchError": "Hiba történt az helyi fontosságú adatok beolvasása közben. Hiba részletei: {0} Ellenőrizze a használt adatokat.", + "BubbleChartFetchError": "Hiba történt az adatok beolvasása közben. Hiba részletei: {0} Ellenőrizze a használt adatokat.", "noData": "Nincs adat", "noFeatures": "Nem érhetők el szolgáltatások", "panelDescription": "Böngésszen az ellenpéldák között, és hozzon létre sajátot. A keresési funkciók segítségével megtekintheti a javasolt értékeket az ellenpéldák változatos halmazában. Állítsa be a javasolt ellenpéldák jellemzőinek értékeit az egyes ellenpéldák neve alatt található „Értékek beállítása“ szövegre kattintva. Adjon nevet az ellenpéldáknak, és mentse őket.", @@ -217,13 +217,13 @@ "subText": "Megtekintheti a kijelölt kohorszra vonatkozó tudnivalókat, szerkesztheti a kohorsz nevét, illetve törölheti ezt a kohorszt." }, "FeatureList": { - "featureList": "Feature List", + "featureList": "Jellemzők listája", "apply": "Alkalmaz", "features": "Jellemzők", "importances": "Fontosságok", "treeMapDescription": "A fatérkép újratanítása: jelölje ki és mentse az alábbi jellemzőket. A jellemző fontosságának kiszámítása kölcsönös információk alapján történt, a valódi címkéken lévő hibával. Kérjük, használja útmutatóként a fatérkép betanításához.", "staticTreeMapDescription": "A faszerkezetes térkép betanítása során használt funkciók megtekintése. A funkciófontosságok kiszámítása kölcsönös információval történt, ahol a hiba a valódi címkéken van.", - "searchResultMessage": "Results displayed out of {resultLength} for {searchValue}" + "searchResultMessage": "A(z) {searchValue} találatai közül {resultLength} jelenik meg" }, "TreeViewParameters": { "maximumDepth": "Maximális mélység", @@ -289,7 +289,7 @@ "disabledWarning": "A hibák intenzitástérképe le van tiltva, kivéve, ha a globális kohorsz „Minden adat” értékre van állítva a teljes adatkészlethez generált intenzitástérkép miatt. A hibák intenzitástérképének megtekintéséhez váltson vissza a teljes adatkészletre." }, "MatrixSummary": { - "heatMapInfoTitle": "Additional information on heat map", + "heatMapInfoTitle": "További információ az intenzitástérképről", "heatMapDescription": "Az intenzitástérképpel adott szakaszok közötti szűrőkre összpontosíthat, és kiszámíthatja a nem összesített hibaarányokat. Kezdje két összehasonlítható adathalmaz-jellemzővel.", "heatMapStaticDescription": "Az intenzitástérképpel adott metszeti jellemzőszűrőkre összpontosíthat, és kiszámíthatja a nem összesített hibaarányokat. Az irányítópult megtekintése előtt legfeljebb két jellemzőt kell kiválasztani ahhoz, hogy intenzitástérképet lehessen létrehozni az SDK-n keresztül." }, @@ -305,108 +305,108 @@ }, "Metrics": { "AccuracyScore": { - "Name": "Accuracy score", - "Info": "The accuracy score represents the ratio of correct to total instances in the data.", - "Short": "Accuracy", - "Title": "Additional information on accuracy score" + "Name": "Pontossági pontszám", + "Info": "A pontossági pontszám az adatokban található helyes és az összes példány arányát jelöli.", + "Short": "Pontosság", + "Title": "További információ a pontossági pontszámról" }, "ErrorRate": { - "Name": "Error rate", - "Info": "The error rate represents the percentage of instances in the node for which the system has failed.", - "Short": "Error rate", - "Title": "Additional information on error rate" + "Name": "Hibaarány", + "Info": "A hibaarány a csomópont azon példányainak százalékos arányát jelzi, amelyeknél a rendszer meghibásodott.", + "Short": "Hibaarány", + "Title": "További információ a hibaarányról" }, "F1Score": { - "Name": "F1 score", - "Info": "The F1 score is the harmonic mean of the precision and recall metrics.", - "Short": "F1 score", - "Title": "Additional information on F1 score" + "Name": "F1-mérték", + "Info": "Az F1-mérték a precizitás és a felidézés harmonikus átlaga.", + "Short": "F1-mérték", + "Title": "További információ az F1-mértékről" }, "MeanAbsoluteError": { - "Name": "Mean absolute error", - "Info": "The mean absolute error is the average of the sum of the errors.", - "Short": "Mean abs. error", - "Title": "Additional information on mean absolute error" + "Name": "Átlagos abszolút hiba", + "Info": "Az átlagos abszolút hiba a hibák összegének átlaga.", + "Short": "Átlagos abs. hiba", + "Title": "További információ az átlagos abszolút hibáról" }, "MeanSquaredError": { - "Name": "Mean squared error", - "Info": "The mean squared error is the average of the squares of the errors.", - "Short": "Mean sq. error", - "Title": "Additional information on mean squared error" + "Name": "Átlagos négyzetes hiba", + "Info": "Az átlagos négyzetes hiba a hibák négyzetének átlaga.", + "Short": "Átlagos sq. hiba", + "Title": "További információ az átlagos négyzetes hibáról" }, "Precision": { - "Name": "Precision score", - "Info": "The precision is the ratio of true positives over all predicted positives.", - "Short": "Precision", - "Title": "Additional information on precision" + "Name": "Pontossági pontszám", + "Info": "A pontosság a valós pozitívok aránya az összes előre jelzett pozitív értékhez képest.", + "Short": "Pontosság", + "Title": "További információ a pontosságról" }, "Recall": { - "Name": "Recall score", - "Info": "The recall is the ratio of true positives over all actual positives.", - "Short": "Recall", - "Title": "Additional information on recall" + "Name": "Felidézési pontszám", + "Info": "A felidézés a valós pozitívok arányát adja meg az összes tényleges pozitív értékhez képest.", + "Short": "Felidézés", + "Title": "További információ a felidézésről" }, "MacroPrecision": { - "Name": "Macro averaged precision score", - "Info": "The macro averaged precision is the ratio of true positives over all predicted positives computed independently per class and averaged.", - "Short": "Macro precision", - "Title": "Additional information on macro averaged precision" + "Name": "Makroátlagos pontossági pontszám", + "Info": "A makroátlagos pontosság az osztályonként egymástól függetlenül kiszámított és átlagolt előre jelzett pozitívok arányát adja meg.", + "Short": "Makropontosság", + "Title": "További információ a makroátlagos pontosságáról" }, "MicroPrecision": { - "Name": "Micro averaged precision score", - "Info": "The micro averaged precision is the ratio of true positives over all predicted positives aggregated for all classes.", - "Short": "Micro precision", - "Title": "Additional information on micro averaged precision" + "Name": "Mikroátlagos pontossági pontszám", + "Info": "A mikroátlagolt pontosság az összes osztályra vonatkozóan összesített előre jelzett pozitívok arányát adja meg.", + "Short": "Mikropontosság", + "Title": "További információ a mikroátlagos pontosságáról" }, "MacroRecall": { - "Name": "Macro averaged recall score", - "Info": "The macro averaged recall is the ratio of true positives over all actual positives computed independently per class and averaged.", - "Short": "Macro recall", - "Title": "Additional information on macro averaged recall" + "Name": "Makroátlagos felidézési pontszám", + "Info": "A makroátlagos felidézés az osztályonként egymástól függetlenül kiszámított és átlagolt valós pozitívok arányát adja meg.", + "Short": "Makrofelidézés", + "Title": "További információ a makroátlagos felidézésről" }, "MicroRecall": { - "Name": "Micro averaged recall score", - "Info": "The micro averaged recall is the ratio of true positives over all actual positives aggregated for all classes.", - "Short": "Micro recall", - "Title": "Additional information on micro averaged recall" + "Name": "Mikroátlagos felidézési pontszám", + "Info": "A mikroátlagolt felidézés az összes osztályra vonatkozóan összesített valós pozitívok arányát adja meg.", + "Short": "Mikrofelidézés", + "Title": "További információ a mikroátlagos felidézésről" }, "MacroF1Score": { - "Name": "Macro averaged F1 score", - "Info": "The macro averaged F1 score is the harmonic mean of the macro averaged precision and recall metrics.", - "Short": "Macro F1 score", - "Title": "Additional information on macro averaged F1 score" + "Name": "Makroátlagolt F1-mérték", + "Info": "A makroátlagolt F1-mérték a makroátlagolt pontosság és felidézési metrikák harmonikus középértéke.", + "Short": "Makro F1-mérték", + "Title": "További információ a makroátlagolt F1-mértékről" }, "MicroF1Score": { - "Name": "Micro averaged F1 score", - "Info": "The micro averaged F1 score is the harmonic mean of the micro averaged precision and recall metrics.", - "Short": "Micro F1 score", - "Title": "Additional information on micro averaged F1 score" + "Name": "Mikroátlagolt F1-mérték", + "Info": "A mikroátlagolt F1-mérték a mikroátlagolt pontosság és felidézési metrikák harmonikus középértéke.", + "Short": "Mikro F1-mérték", + "Title": "További információ a mikroátlagolt F1-mértékről" }, "MeanAveragePrecision": { - "Name": "Mean average precision score", - "Info": "Mean average precision for object detection models is the average of AP (average precision) across all classes. This evaluates the robustness of your object detection model and encapsulates the tradeoff between precision and recall.", - "Short": "Mean avg precision", - "Title": "Additional information on mean average precision score" + "Name": "Középértéki pontossági pontszám", + "Info": "Az objektumészlelési modellek középértéki pontossága az összes osztály középértéki pontossága. Ez kiértékeli az objektumészlelési modell robusztusságát, és magában foglalja a pontosság és a felidézés közötti kompromisszumot.", + "Short": "Középértéki pontosság", + "Title": "További információ a középértéki pontossági pontszámról" }, "AveragePrecision": { - "Name": "Average precision score", - "Info": "Average precision for object detection models is calculated for a selected class.", - "Short": "Avg precision", - "Title": "Additional information on average precision score" + "Name": "Átlagos pontossági pontszám", + "Info": "Az objektumészlelési modellek átlagos pontosságát a rendszer egy kiválasztott osztályhoz tartozóan számítja ki.", + "Short": "Átlagos pontosság", + "Title": "További információ az átlagos pontossági pontszámról" }, "AverageRecall": { - "Name": "Average recall score", - "Info": "Average recall for object detection models is calculated for a selected class.", - "Short": "Avg recall", - "Title": "Additional information on average recall score" + "Name": "Átlagos felidézési pontszám", + "Info": "Az objektumészlelési modellek átlagos felidézését a rendszer egy kiválasztott osztályra vonatkozóan számítja ki.", + "Short": "Átlagos felidézés", + "Title": "További információ az átlagos felidézési pontszámról" }, "metricName": "Metrika neve", "metricValue": "Metrikaérték" }, "MetricSelector": { "selectorLabel": "Metrika kiválasztása", - "feature1SelectorLabel": "Rows: Feature 1", - "feature2SelectorLabel": "Columns: Feature 2" + "feature1SelectorLabel": "Sorok: 1. jellemző", + "feature2SelectorLabel": "Oszlopok: 2. jellemző" }, "Navigation": { "cohortSaved": "Az új kohorsz mentve! Lásd a kohorszlistát a Kohorszbeállítások között.", @@ -427,9 +427,9 @@ "defaultLabelCopy": "Minden adatmásolás" }, "TreeView": { - "ariaLabel": "Interactive chart", - "disabledArialLabel": "Disabled interactive chart", - "treeMapInfoTitle": "Additional information on tree map", + "ariaLabel": "Interaktív diagram", + "disabledArialLabel": "Interaktív diagram letiltva", + "treeMapInfoTitle": "További információ a faleképezésről", "treeDescription": "A favizualizáció az egyes funkciók és a hiba közötti kölcsönös információkat használja a hibapéldányok és a sikeres példányok hierarchikus elkülönítéséhez az adatokban. Ez leegyszerűsíti a gyakori hibaminták felderítésének és kiemelésének folyamatát. Ha fontos hibamintákat szeretne keresni, keressen erősebb piros színnel (azaz magas hibaarányú) és magasabb kitöltési vonallal (pl. magas hibalefedettséggel) rendelkező csomópontokat. A fában használt jellemzők listájának szerkesztéséhez kattintson a Jellemzőlista lehetőségre. A Metrika kiválasztása legördülő menüből többet is megtudhat a hibás és a sikeres csomópontok teljesítményéről. Vegye figyelembe, hogy ez a metrikaválasztás nem befolyásolja a hibafa generálásának módját.", "treeStaticDescription": "A favizualizáció az egyes funkciók és a hiba közötti kölcsönös információkat használja a hibapéldányok és a sikeres példányok hierarchikus elkülönítéséhez az adatokban. Ez leegyszerűsíti a gyakori hibaminták felderítésének és kiemelésének folyamatát. Ha fontos hibamintákat szeretne keresni, keressen erősebb piros színnel (azaz magas hibaarányú) és magasabb kitöltési vonallal (pl. magas hibalefedettséggel) rendelkező csomópontokat. A hibafa keletkezésében részt vevő jellemzők listájának megtekintéséhez kattintson a Jellemzőlista lehetőségre. A Metrika kiválasztása legördülő menüből többet is megtudhat a hibás és a sikeres csomópontok teljesítményéről. Vegye figyelembe, hogy ez a metrikaválasztás nem befolyásolja a hibafa generálásának módját.", "disabledWarning": "A hibák fatérképe le van tiltva, kivéve, ha a globális kohorsz „Minden adat” értékre van állítva a teljes adatkészlethez generált fatérkép miatt. A hibák fatérképének megtekintéséhez váltson vissza a teljes adatkészletre." @@ -764,7 +764,7 @@ "countHelperText": "A pontok számának hisztogramja", "ditherLabel": "Simítandó", "groupByCohort": "Csoportosítás kohorsz alapján", - "logarithmicScaling": "Enable logarithmic scaling", + "logarithmicScaling": "Logaritmikus skálázás engedélyezése", "numOfBins": "Dobozok száma", "selectClass": "Osztály kijelölése", "selectFeature": "Jellemző kiválasztása", @@ -788,7 +788,7 @@ "importancePrefix": "Fontosság", "numberOfDatapoints": "Adatpontok száma", "rowIndex": "Sorindex", - "absoluteIndex": "Absolute index", + "absoluteIndex": "Abszolút index", "xValue": "X-érték", "yValue": "Y-érték" }, @@ -817,11 +817,11 @@ "CohortEditor": { "columns": { "index": "Index", - "dataset": "Dataset", - "predictedY": "Predicted Y", - "trueY": "True Y", - "classificationOutcome": "Classification outcome", - "regressionError": "Error" + "dataset": "Adathalmaz", + "predictedY": "Előrejelzett Y", + "trueY": "Valódi Y", + "classificationOutcome": "Besorolás eredménye", + "regressionError": "Hiba" }, "TreatAsCategorical": "Kezelés kategorikusként", "addFilter": "Szűrő hozzáadása", @@ -846,8 +846,8 @@ "save": "Mentés", "saveAndSwitch": "Mentés és váltás", "selectFilter": "Szűrő kiválasztása", - "noFiltersApplied": "No filters applied", - "filterAdded": "Filter added" + "noFiltersApplied": "Nincsenek aktív szűrők", + "filterAdded": "Szűrő hozzáadva" }, "Columns": { "classificationOutcome": "Besorolás eredménye", @@ -857,8 +857,8 @@ "falsePositive": "Hamis pozitív", "none": "Darabszám", "predictedProbabilities": "Előrejelzési valószínűségek", - "predictedLabels": "Predicted labels", - "trueLabels": "True labels", + "predictedLabels": "Előrejelzett címkék", + "trueLabels": "Valódi címkék", "regressionError": "Regressziós hiba", "trueNegative": "Valós negatív", "truePositive": "Valós pozitív", @@ -879,7 +879,7 @@ "aggregatePlots": "Aggregált ábrák", "chartType": "Diagramtípus", "colorValue": "Színérték", - "infoTitle": "Additional information on data analysis chart view", + "infoTitle": "További információ az adatelemzés diagramnézetéről", "helperText": "Adathalmaz-kohorszokat hozhat létre az adathalmazok statisztikáinak elemzéséhez olyan szűrők mentén, mint az előrejelzett eredmény, az adathalmaz jellemzői és a hibacsoportok. További információ az adathalmaz túl-/alulbesorolásáról.", "individualDatapoints": "Egyéni adatpontok", "missingParameters": "Ehhez a laphoz meg kell adni egy kiértékelési adathalmazt.", @@ -968,10 +968,10 @@ "dependencePlotHelperText": "Ez a függőségi diagram egy jellemző értékeinek és a megfelelő jellemzőfontossági értékeknek a kapcsolatát mutatja.", "dependencePlotTitle": "Függőségi ábrák", "helperText": "Ismerje meg azokat a legfontosabb funkciókat, amelyek hatással vannak a modell általános előrejelzésére (más néven globális magyarázat). A csúszka segítségével megjelenítheti a jellemzők fontosságát csökkenő sorrendben. Minden kohorszfunkció fontossága egymás mellett jelenik meg, és a jelmagyarázatban a kohorsz kiválasztásával kapcsolható ki. Kattintson a gráf bármelyik funkciójára, és alább egy sűrűségdiagramot tekinthet meg, amely azt mutatja, hogy a kiválasztott jellemző értékei hogyan befolyásolják az előrejelzést.", - "infoTitle": "Additional information on aggregate feature importance", + "infoTitle": "További információ az összesített jellemzőfontosságról", "legendHelpText": "A jelmagyarázat elemeire kattintva be- és kikapcsolhatja a kohorszokat a diagramon.", "missingParameters": "Ezen a lapon meg kell adni a helyi jellemzőfontossági paramétert.", - "sortByCohort": "Sort by cohort", + "sortByCohort": "Rendezés kohorsz szerint", "sortBy": "Rendezés adatpont szerint", "topAtoB": "A legfontosabb {0} funkció fontosságuk szerint", "viewDependencePlotFor": "A következő függőségi ábrájának megtekintése:", @@ -1014,15 +1014,15 @@ }, "Statistics": { "accuracy": "Pontosság: {0}", - "bleuScore": "Bleu score: {0}", - "bertScore": "Bert score: {0}", - "exactMatchRatio": "Exact match ratio: {0}", - "rougeScore": "Rouge Score: {0}", + "bleuScore": "Bleu-pontszám: {0}", + "bertScore": "BERT-pontszám: {0}", + "exactMatchRatio": "Pontos egyezés aránya: {0}", + "rougeScore": "Rouge-pontszám: {0}", "fnr": "Hamis negatív arány: {0}", "fpr": "Hamis pozitív arány: {0}", - "hammingScore": "Hamming score: {0}", + "hammingScore": "Hamming-pontszám: {0}", "meanPrediction": "Előrejelzési átlag: {0}", - "meteorScore": "Meteor Score: {0}", + "meteorScore": "METEOR-pontszám: {0}", "mse": "Átlagos négyzetes hiba: {0}", "precision": "Precizitás: {0}", "rSquared": "R²: {0}", @@ -1030,10 +1030,10 @@ "selectionRate": "Kiválasztási arány: {0}", "mae": "Átlagos abszolút hiba: {0}", "f1Score": "F1-mérték: {0}", - "samples": "Sample size: {0}", - "meanAveragePrecision": "Mean average precision: {0}", - "averagePrecision": "Average precision: {0}", - "averageRecall": "Average recall: {0}" + "samples": "Mintaméret: {0}", + "meanAveragePrecision": "Középértéki pontosság: {0}", + "averagePrecision": "Átlagos pontosság: {0}", + "averageRecall": "Átlagos felidézés: {0}" }, "ValidationErrors": { "addFilters": "Szűrők hozzáadása", @@ -1141,29 +1141,29 @@ "InterpretText": { "View": { "interpretibilityDashboard": "Értelmezhetőségi irányítópult", - "importantWords": "Show most Important Words", + "importantWords": "A legfontosabb szavak megjelenítése", "topFeatureList": "Kiemelt jellemzők listájának elemzése", "allButton": "MINDEN JELLEMZŐ", "negButton": "NEGATÍV JELLEMZŐK", "posButton": "POZITÍV JELLEMZŐK", - "legendText": "Positive scalar feature importances represent the extent that the words were important towards the classification of your selected label, and negative scalar feature importances represent words that encouraged your model away from your selected label.", - "legendTextForQA": "The left text box and the bar chart display the predictions of the model. The right text box shows the feature importance associated with a selected token. Positive feature importances represent the extent that the words were important towards marking the selected token as the starting/ending position of the answer.", + "legendText": "A pozitív skaláris jellemzőfontosság azt jelzi, hogy a szó mennyire volt fontos a kiválasztott címke osztályozása szempontjából, a negatív skaláris jellemzőfontosság pedig azokat a szavakat jelzi, amelyek a kiválasztott címkétől távolították el a modellt.", + "legendTextForQA": "A bal oldali szövegmező és a sávdiagram a modell előrejelzéseit jeleníti meg. A jobb oldali szövegmező a kijelölt jogkivonathoz társított funkciófontosságot jeleníti meg. A pozitív jellemzőfontosságok azt jelzik, hogy a szavak mennyire voltak fontosak a kiválasztott jogkivonatnak a válasz kezdő/záró pozíciójaként való megjelöléséhez.", "label": "Címke", "colon": ": ", - "startingPosition": "STARTING POSITION", - "endingPosition": "ENDING POSITION", - "predictedAnswer": "Predicted answer: ", - "trueAnswer": "True answer: ", - "inputs": "Inputs", - "outputs": "Outputs" + "startingPosition": "KEZDŐ POZÍCIÓ", + "endingPosition": "ZÁRÓ POZÍCIÓ", + "predictedAnswer": "Előre jelzett válasz: ", + "trueAnswer": "Igaz válasz: ", + "inputs": "Bemenetek", + "outputs": "Kimenetek" }, "Legend": { "featureLegend": "SZÖVEGJELLEMZŐ JELMAGYARÁZATA", "posFeatureImportance": "POZITÍV JELLEMZŐFONTOSSÁG", "negFeatureImportance": "NEGATÍV JELLEMZŐFONTOSSÁG", - "cls": "CLS: start of the sentence", - "sep": "SEP: end of the sentence", - "selectedWord": "Selected word: " + "cls": "CLS: mondat kezdete", + "sep": "SEP: a mondat vége", + "selectedWord": "Kijelölt szó: " }, "BarChart": { "featureImportance": "JELLEMZŐFONTOSSÁG" @@ -1171,55 +1171,55 @@ }, "InterpretVision": { "Cohort": { - "close": "Close", - "errorCohortName": "Please choose a unique cohort name.", - "errorNumSelected": "Please select at least one (1) item.", - "itemsSelectedSingular": "item selected", - "itemsSelectedPlural": "items selected", - "save": "Save cohort", - "saveAndClose": "Save and close", - "saveAndSwitch": "Save and switch", - "textField": "New cohort name", - "title": "Save new cohort" + "close": "Bezárás", + "errorCohortName": "Válasszon egyedi kohorsznevet.", + "errorNumSelected": "Jelöljön ki legalább egy (1) elemet.", + "itemsSelectedSingular": "elem van kijelölve", + "itemsSelectedPlural": "elem van kijelölve", + "save": "Kohorsz mentése", + "saveAndClose": "Mentés és bezárás", + "saveAndSwitch": "Mentés és váltás", + "textField": "Új kohorsznév", + "title": "Új kohorsz mentése" }, "Dashboard": { "allData": "Minden adat", - "columnOne": "Image", + "columnOne": "Kép", "columnTwo": "Index", "columnThree": "Valós Y", "columnFour": "Előrejelzett Y", "columnFive": "Egyéb metaadatok", - "chooseObject": "Choose a detected object", - "examples": "examples", + "chooseObject": "Észlelt objektum kiválasztása", + "examples": "példák", "filter": "Szűrő", - "indexLabel": "Image ", - "labelTypeDropdown": "Select label type", - "labelVisibilityDropdown": "Select labels to display", - "legendFailure": "failure", - "legendSuccess": "success", - "loading": "Computing explanation for index", - "multiselect": "Multiselect", - "notdefined": "object scenario not defined", - "objectSelect": "Object Selection", + "indexLabel": "Kép ", + "labelTypeDropdown": "Címketípus kiválasztása", + "labelVisibilityDropdown": "Megjelenítendő címkék kiválasztása", + "legendFailure": "hiba", + "legendSuccess": "sikeres", + "loading": "Az index kiszámítási magyarázata", + "multiselect": "Többszörös kijelölés", + "notdefined": "az objektum forgatókönyve nincs definiálva", + "objectSelect": "Objektumválasztás", "pageSize": "Oldalméret: ", - "panelTitle": "Selected instance", - "panelExplanation": "Explanation", - "panelInformation": "Information", - "predictedLabel": "Predicted label", - "predictedY": "Predicted: ", - "prefix": "Object: ", - "rows": "Rows: ", + "panelTitle": "Kiválasztott példány", + "panelExplanation": "Magyarázat", + "panelInformation": "Információ", + "predictedLabel": "Előrejelzett címke", + "predictedY": "Előre jelzett: ", + "prefix": "Objektum: ", + "rows": "Sorok: ", "search": "Keresés", - "selectAll": "Select all", + "selectAll": "Az összes kijelölése", "settings": "Beállítások", - "showAll": "Show all", + "showAll": "Összes megjelenítése", "tabOptionFirst": "Képtallózó nézet", "tabOptionSecond": "Táblázatos nézet", - "tabOptionThird": "Class view", + "tabOptionThird": "Osztálynézet", "thumbnailSize": "Miniatűr mérete", "titleBarError": "Hibapéldányok", "titleBarSuccess": "Sikeres példányok", - "trueY": "Ground truth: " + "trueY": "Alapigazság: " } }, "ModelAssessment": { @@ -1228,15 +1228,15 @@ "CalloutContent": "Bizonyos összetevők (hibafanézet vagy hibahőtérkép) hozzáadásával szűrheti az adatokat az alábbi összetevőkben látható globális kohorszból.", "CalloutTitle": "Összetevő hozzáadása", "TabAddedMessage": { - "DataAnalysis": "Data analysis component added", - "FeatureImportances": "Feature importances component added", - "ErrorAnalysis": "Error analysis component added", - "Fairness": "Fairness component added", - "ModelOverview": "Model overview component added", - "CausalAnalysis": "Causal analysis component added", - "Counterfactuals": "Counterfactuals component added", - "Vision": "Vision data explorer component added", - "Forecasting": "Forecasting what-if component added" + "DataAnalysis": "Adatelemzési összetevő hozzáadva", + "FeatureImportances": "Jellemzőfontossági összetevő hozzáadva", + "ErrorAnalysis": "Hibaelemzési összetevő hozzáadva", + "Fairness": "Méltányossági összetevő hozzáadva", + "ModelOverview": "Modelláttekintő összetevő hozzáadva", + "CausalAnalysis": "Okozati elemzési összetevő hozzáadva", + "Counterfactuals": "Ellenpélda-összetevő hozzáadva", + "Vision": "Képfelismerési adatkezelő-összetevő hozzáadva", + "Forecasting": "Előrejelzési lehetőségelemzési összetevő hozzáadva" } }, "CausalAnalysis": { @@ -1264,7 +1264,7 @@ }, "CohortInformation": { "ShiftCohort": "Kohorszváltás", - "SwitchTimeSeries": "Switch time series", + "SwitchTimeSeries": "Idősor váltása", "NewCohort": "Új kohorsz", "DataPoints": "Adatpontok száma", "DefaultCohort": " (alapértelmezett)", @@ -1276,7 +1276,7 @@ "CohortSettingsTitle": "Kohorsz beállításai" }, "ComponentNames": { - "ChartView": "Chart view", + "ChartView": "Diagramnézet", "CausalAnalysis": "Okozati elemzés", "Counterfactuals": "Ellenpéldák", "DataAnalysis": "Adatelemzés", @@ -1285,10 +1285,10 @@ "ErrorAnalysis": "Hibaelemzés", "Fairness": "Semlegesség", "FeatureImportances": "Jellemzőfontosságok", - "Forecasting": "Forecasting", + "Forecasting": "Előrejelzés", "ModelOverview": "Modell áttekintése", - "TableView": "Table view", - "VisionTab": "Vision data explorer" + "TableView": "Táblanézet", + "VisionTab": "Képfelismerési adatkezelő" }, "DashboardSettings": { "Content": "Ez a lista az irányítópult elrendezését mutatja. A hibaelemzési összetevőt használva szűrni tudja az alatta lévő összetevőkben megtekinthető adatokat.", @@ -1446,17 +1446,17 @@ "CorrectPredictions": "Helyes előrejelzések", "GlobalExplanation": "Aggregált jellemzőfontosság", "IncorrectPredictions": "Helytelen előrejelzések", - "InfoTitle": "Additional information on data analysis table view", - "IndividualFeatureTabular": "Select a datapoint by clicking on a datapoint (up to 5 datapoints) in the table to view their local feature importance values (local explanation) and individual conditional expectation (ICE) plots.", - "IndividualFeatureText": "Select a datapoint by clicking on a datapoint in the table to view the local feature importance values (local explanation).", + "InfoTitle": "További információ az adatelemzés táblanézetéről", + "IndividualFeatureTabular": "Jelöljön ki egy adatpontot. Ehhez kattintson egy adatpontra (legfeljebb 5 adatpontra) a táblában a helyi jellemzőfontossági értékek (helyi magyarázat) és az egyéni feltételes elvárások (ICE) diagram megtekintéséhez.", + "IndividualFeatureText": "Jelöljön ki egy adatpontot. Ehhez kattintson egy adatpontra a táblában a helyi jellemzőfontossági értékek (helyi magyarázat) megtekintéséhez.", "LocalExplanation": "Egyéni jellemzőfontosság", "SelectionCounter": "{0}/{1} adatpont kiválasztva", "SelectionLimit": "Jelenleg legfeljebb 5 adatpont választható ki.", - "RowCheckboxAriaLabel": "Row checkbox", - "SelectionColumnAriaLabel": "Toggle selection" + "RowCheckboxAriaLabel": "Sor jelölőnégyzete", + "SelectionColumnAriaLabel": "Kijelölés váltása" }, "IndividualFeatureImportanceView": { - "SmallInstanceSelection": "Instance selection" + "SmallInstanceSelection": "Példányválasztás" }, "MainMenu": { "DashboardSettings": "Vezérlőpult konfiguráció", @@ -1472,44 +1472,44 @@ "ModelOverview": { "metrics": { "accuracy": { - "name": "Accuracy score", + "name": "Pontossági pontszám", "description": "A megfelelően osztályozott adatpontok hányada." }, "exactMatchRatio": { - "name": "Exact match ratio", - "description": "The ratio of instances classified correctly for every label." + "name": "Pontos egyezés aránya", + "description": "Az egyes címkékhez megfelelően besorolt példányok aránya." }, "meteorScore": { - "name": "Meteor Score", - "description": "METEOR Score is calculated based on the harmonic mean of precision and recall, with recall weighted more than precision in question answering task." + "name": "METEOR-pontszám", + "description": "A METEOR-pontszám kiszámítása a pontosság és a felidézés harmonikus középértéke alapján történik, amely során a felidézés nagyobb súllyal rendelkezik mint a pontosság a kérdésmegválaszolási feladatban." }, "bleuScore": { - "name": "Bleu Score", - "description": "Bleu Score measures the ratio of words (and/or n-grams) in the machine generated text that appeared in the reference text in question answering task." + "name": "Bleu-pontszám", + "description": "A Bleu-pontszám a gép által létrehozott szövegben lévő szavak (és/vagy n-grammok) arányát méri a kérdésmegválaszolási feladatban szereplő referenciaszövegben." }, "bertScore": { - "name": "Bert Score", - "description": "BERTScore focuses on computing semantic similarity between tokens of reference and machine generated text in question answering task." + "name": "BERT-pontszám", + "description": "A BERTScore a hivatkozási tokenek és a gép által létrehozott szöveg szemantikai hasonlóságának kiszámítására összpontosít a kérdésmegválaszolási feladatban." }, "rougeScore": { - "name": "Rouge Score", - "description": "Rouge Score measures the ratio of words (and/or n-grams) in the reference text that appeared in the machine generated text in question answering task." + "name": "Rouge-pontszám", + "description": "A Rouge-pontszám a referenciaszövegben lévő szavak (és/vagy n-grammok) arányát méri a kérdésmegválaszolási feladatban szereplő, gép által létrehozott szövegben." }, "hammingScore": { - "name": "Hamming score", - "description": "The average ratio of labels classified correctly among those classified as 1 in multilabel task." + "name": "Hamming-pontszám", + "description": "Azon címkék átlagos aránya, amelyek megfelelően lettek osztályozva azok közül, amelyek 1-es besorolást kaptak a többcímkés feladatban." }, "f1Score": { "name": "F1-mérték", "description": "Az F1-pontszám a precizitás és a visszahívás harmonikus átlaga." }, "f1ScoreMacro": { - "name": "Macro F1 score", - "description": "Macro F1 score is the harmonic mean of precision and recall for each class, with each class weighted equally." + "name": "F1-makromérték", + "description": "Az F1-makropontszám az egyes osztályokhoz tartozó pontosság és felidézés harmonikus középértéke, amely az egyes osztályok egyenlő súlyozásával jön létre." }, "f1ScoreMicro": { - "name": "Micro F1 score", - "description": "Micro F1 score is the harmonic mean of precision and recall for each class, with each class weighted according to how many instances it contains." + "name": "F1-mikromérték", + "description": "Az F1-mikropontszám az egyes osztályok pontosságának és felidézésének harmonikus középértéke, amelyben minden osztályt annak megfelelően súlyoznak, hogy mennyi példányt tartalmaznak." }, "meanAbsoluteError": { "name": "Átlagos abszolút hiba", @@ -1524,24 +1524,24 @@ "description": "Az 1-es osztályozású adatpontok hányada, amelyek helyesen vannak osztályozva." }, "precisionMacro": { - "name": "Macro Precision score", - "description": "The fraction of data points classified correctly among those classified as 1 for each class with each class weighted equally." + "name": "Makropontossági pontszám", + "description": "Az adatpontok egy része, amely megfelelően lett osztályozva azok közül, amelyek 1-es besorolást kaptak minden osztály esetében 1. Ebben a halmazban mindegyik osztály egyformán lett súlyozva." }, "precisionMicro": { - "name": "Micro Precision score", - "description": "The fraction of data points classified correctly among those classified as 1 for each class with each class weighted according to how many instances it contains." + "name": "Mikropontossági pontszám", + "description": "Az adatpontok egy része, amely megfelelően lett osztályozva azok közül, amelyek 1-es besorolást kaptak minden osztály esetében. Ebben a halmazban mindegyik osztály annak megfelelően lett súlyozva, hogy mennyi példányt tartalmaz." }, "recall": { "name": "Felidézési pontszám", "description": "Az 1-es valós címkével rendelkező adatpontok hányada, amelyek helyesen vannak osztályozva. Alternatív megnevezés: valós pozitív arány, érzékenység." }, "recallMacro": { - "name": "Macro Recall score", - "description": "The fraction of data points classified correctly among those whose true label is 1 for each class with each class weighted equally." + "name": "Makrofelidézési pontszám", + "description": "Az adatpontok egy része, amelyet megfelelően osztályoztak azok közül, amelyeknek a valódi címkéje minden osztály esetében 1. Ebben a halmazban mindegyik osztály egyformán lett súlyozva." }, "recallMicro": { - "name": "Micro Recall score", - "description": "The fraction of data points classified correctly among those whose true label is 1 for each class with each class weighted according to how many instances it contains." + "name": "Mikrofelidézési pontszám", + "description": "Az adatpontok egy része, amelyet megfelelően osztályoztak azok közül, amelyeknek a valódi címkéje minden osztály esetében 1. Ebben a halmazban mindegyik osztály annak megfelelően lett súlyozva, hogy mennyi példányt tartalmaz." }, "falsePositiveRate": { "name": "Hamis pozitív arány", @@ -1560,32 +1560,32 @@ "description": "Az összes előrejelzés átlaga." }, "meanAveragePrecision": { - "name": "Mean Average Precision score", - "description": "Mean average precision for object detection models is the average of AP (average precision) across all classes. This evaluates the robustness of your object detection model and encapsulates the tradeoff between precision and recall." + "name": "Középértéki pontszám", + "description": "Az objektumészlelési modellek középértéki pontossága az összes osztály középértéki pontossága. Ez kiértékeli az objektumészlelési modell robusztusságát, és magában foglalja a pontosság és a felidézés közötti kompromisszumot." }, "averagePrecision": { - "name": "Average Precision score", - "description": "Average precision for object detection models is calculated for a selected class." + "name": "Átlagos pontossági pontszám", + "description": "Az objektumészlelési modellek átlagos pontosságát a rendszer egy kiválasztott osztályhoz tartozóan számítja ki." }, "averageRecall": { - "name": "Average Recall score", - "description": "Average recall for object detection models is calculated for a selected class." + "name": "Átlagos felidézési pontszám", + "description": "Az objektumészlelési modellek átlagos felidézését a rendszer egy kiválasztott osztályra vonatkozóan számítja ki." }, "fairnessMetricDifference": "Különbség", "fairnessMetricRatio": "Arány" }, "metricsDropdown": "Metrika", - "metricsTypeDropdown": "Aggregate method", + "metricsTypeDropdown": "Összesítési metódus", "metricTypes": { - "macro": "Macro", - "micro": "Micro" + "macro": "Makro-", + "micro": "Mikro-" }, - "classSelectionDropdown": "Select class(es)", + "classSelectionDropdown": "Osztály kijelölése", "iouThresholdDropdown": { - "name": "IoU Threshold", - "description": "Intersection over Union quantifies the degree of overlap between the prediction and ground truth bounding box of a detected object in an image. For example, setting an IoU threshold of 70% means that a prediction with greater than 70% overlap with ground truth is True, thus influencing the definition of prediction correctness and calculation of other performance metrics.", + "name": "IoU-küszöbérték", + "description": "Az unió feletti metszet egy képen észlelt objektum előrejelzési és alapigazsággal kapcsolatos határolókerete közötti átfedés mértékét számszerűsíti. Ha például egy IoU-küszöbértéket 70%-ra állít be, az azt jelenti, hogy a 70%-nál nagyobb eltéréssel rendelkező előrejelzés valódi, ami hatással van az előrejelzés helyességének meghatározására és más teljesítménymetrikák kiszámítására.", "iconId": "iouThresholdIconId", - "title": "Learn about the IoU threshold" + "title": "Tudnivalók az IoU-küszöbértékről" }, "notAvailable": "N/A", "countColumnHeader": "Mintaméret", @@ -1597,14 +1597,14 @@ "featuresDropdown": "Funkció(k)", "metricChartDropdownSelectionHeader": "Metrika", "probabilityForClassSelectionHeader": "Osztály valószínűsége", - "targetSelectionHeader": "Target", + "targetSelectionHeader": "Cél", "metricSelectionDropdownPlaceholder": "Válassza ki a kohorszok összehasonlításához használandó metrikákat.", - "classSelectionDropdownPlaceholder": "Select class name for class-based analysis.", + "classSelectionDropdownPlaceholder": "Az osztályalapú elemzéshez válassza ki az osztály nevét.", "featureSelectionDropdownPlaceholder": "Válassza ki a funkcióalapú elemzéshez használni kívánt funkciókat.", "probabilityDistributionPivotItem": "Valószínűség eloszlása", - "regressionDistributionPivotItem": "Target distribution", + "regressionDistributionPivotItem": "Cél elosztása", "metricsVisualizationsPivotItem": "Metrikák vizualizációi", - "confusionMatrixPivotItem": "Confusion matrix", + "confusionMatrixPivotItem": "Keveredési mátrix", "disaggregatedAnalysisFeatureSelectionPlaceholder": "Funkciók kiválasztása a funkcióalapú elemzés létrehozásához.", "tableCountTooltip": "A(z) {0} kohorsz {1} példányt tartalmaz.", "tableMetricTooltip": "A modell {0} értéke a(z) {1} kohorszon {2}.", @@ -1615,36 +1615,36 @@ "metricSelectionButton": "Metrika kiválasztása", "cohortSelectionButton": "Kohorszok kiválasztása", "probabilityLabelSelectionButton": "Címke kiválasztása", - "regressionTargetSelectionButton": "Choose target", + "regressionTargetSelectionButton": "Cél kiválasztása", "selectAllCohortsOption": "Az összes kijelölése", "other": "Egyéb", "BoxPlot": { "outlierProbability": "valószínűség", "outlierLabel": "Kiugró értékek", "boxPlotSeriesLabel": "Dobozdiagram", - "lowerWhisker": "Lower whisker", - "upperWhisker": "Upper whisker", - "median": "Median", - "lowerQuartile": "Lower quartile", - "upperQuartile": "Upper quartile" + "lowerWhisker": "Legkisebb nem kiugró érték", + "upperWhisker": "Legnagyobb nem kiugró érték", + "median": "Medián", + "lowerQuartile": "Alsó kvartilis", + "upperQuartile": "Felső kvartilis" }, "chartConfigApply": "Alkalmaz", "chartConfigCancel": "Mégse", "chartConfigDatasetCohortSelectionPlaceholder": "Adathalmaz kohorszainak kiválasztása", "chartConfigFeatureBasedCohortSelectionPlaceholder": "Funkcióalapú kohorszok kiválasztása", "confusionMatrix": { - "confusionMatrixCohortSelectionLabel": "Select dataset cohort", - "confusionMatrixClassSelectionLabel": "Select classes", - "confusionMatrixClassMinSelectionError": "Select at least {0} classes to visualize the confusion matrix.", - "confusionMatrixClassMaxSelectionError": "Select at most {0} classes to visualize the confusion matrix.", - "confusionMatrixClassSelectionDefaultPlaceholder": "Choose classes", - "confusionMatrixHeatmapTooltip": "{0} datapoints should be {1}, predicted to be {2}", - "confusionMatrixYAxisLabel": "True Class", - "confusionMatrixXAxisLabel": "Predicted Class", - "class": "Class" + "confusionMatrixCohortSelectionLabel": "Adatkészlet kohorszának kiválasztása", + "confusionMatrixClassSelectionLabel": "Osztályok kijelölése", + "confusionMatrixClassMinSelectionError": "Válasszon ki legalább {0} osztályt a keveredési mátrix megjelenítéséhez.", + "confusionMatrixClassMaxSelectionError": "Válasszon ki legfeljebb {0} osztályt a keveredési mátrix megjelenítéséhez.", + "confusionMatrixClassSelectionDefaultPlaceholder": "Osztályok kiválasztása", + "confusionMatrixHeatmapTooltip": "{0} adatpontnak, amely(ek)nek {1} értékűnek kellene lenniük, várhatóan {2} értékűek lesznek", + "confusionMatrixYAxisLabel": "Valódi osztály", + "confusionMatrixXAxisLabel": "Előrejelzett osztály", + "class": "Osztály" }, "nA": "N/A", - "disaggregatedAnalysisBaseCohortDisclaimer": "The cohorts in the following feature-based analysis are based on the global cohort, {0}.", + "disaggregatedAnalysisBaseCohortDisclaimer": "A következő funkcióalapú elemzésben szereplő kohorszok a(z) {0} globális kohorszon alapulnak.", "disaggregatedAnalysisBaseCohortWarning": "A(z) {0} kohorsztól eltérően a(z) {1} szűrőket is tartalmaz. Ennek következtében csak a teljes adathalmaz egy részét rögzíti, és előfordulhat, hogy a betekintések nem általánosítják a teljes adathalmazt.", "probabilitySplineChartToggleLabel": "Spline diagram használata", "countAxisLabel": "Darabszám", @@ -1674,76 +1674,76 @@ "flyoutDescription": "Választhat, hogy az adathalmaz kohorszait vagy a funkció kohorszait tekinti-e meg. Ha a funkció kohorszok nem érhetők el, először ki kell választania egy vagy több funkciót a funkció kohorsznézetében. Ezt követően létrejönnek a funkció kohorszok, amelyeket itt választhat ki." }, "regressionTargetOptions": { - "predictedY": "Predicted Y", - "trueY": "True Y", - "error": "Error" + "predictedY": "Előrejelzett Y", + "trueY": "Valódi Y", + "error": "Hiba" }, "topLevelDescription": "Mérje fel a modell teljesítményét az előrejelzési értékek és a modell teljesítménymetrikái értékeinek eloszlása alapján. Az „Adathalmaz-kohorszok“ lapon vizsgálhatja meg a modellt úgy, hogy összehasonlítja a teljesítményét a különböző előre létrehozott vagy újonnan létrehozott kohorszokban. A „Funkciókohorszok“ segítségével úgy vizsgálhatja meg a modellt, hogy összehasonlító elemzést kászít a teljesítményéről az érzékeny/nem érzékeny paraméter alhorszok között. (például a teljesítmény különböző nemek, jövedelemszintek között).", - "infoTitle": "Additional information on model overview", + "infoTitle": "További információ a modell áttekintéséről", "visualDisplayToggleLabel": "Intenzitástértkép megjelenítése", "featureBasedViewDescription": "Válasszon ki legfeljebb két funkciót a modell teljesítményének funkcióalapú kohorszokban (ha egy jellemző van kiválasztva) vagy metszeti kohorszokban (ha két funkciót választ ki) való megtekintéséhez." }, "TableViewTab": { - "Heading": "View the dataset in a table format for all features and rows." + "Heading": "Az adatkészletet táblázatos formátumban tekintheti meg az összes jellemző és sor esetében." } }, "Forecasting": { - "target": "Target", - "whatIfForecastingHeader": "What-if analysis", - "forecastHeader": "Forecast analysis", - "whatIfForecastingDescription": "What-if allows you to perturb features for your entire time series and observe how the model's forecast changes.", - "whatIfForecastingChooseTimeSeries": "To start, choose a time series from the options below.", - "forecastDescription": "Forecast analysis compares your model's forecast to the actual values of your time series. To enable what-if analysis, provide a dataset with features.", - "timeSeries": "Time series", - "selectTimeSeries": "Select a time series.", - "singleTimeSeries": "The dataset contains only a single time series '{0}' which has been selected by default.", - "trueY": "True Y", - "baselinePrediction": "Baseline prediction", - "forecastComparisonHeader": "Compare What-if Forecasts", - "forecastComparisonChartTitle": "Forecasts", - "forecastComparisonChartTimeAxisLabel": "Time", + "target": "Cél", + "whatIfForecastingHeader": "Lehetőségelemzés", + "forecastHeader": "Előrejelzési elemzés", + "whatIfForecastingDescription": "A lehetőségelemzés lehetővé teszi, hogy a teljes idősor jellemzőit módosíthassa, és hogy megfigyelhesse hogyan változik a modell előrejelzése.", + "whatIfForecastingChooseTimeSeries": "Kezdésként válasszon egy idősort az alábbi lehetőségek közül.", + "forecastDescription": "Az előrejelzés-elemzés összehasonlítja a modell előrejelzését az idősor tényleges értékeivel. A lehetőségelemzés engedélyezéséhez adjon meg egy jellemzőkkel rendelkező adatkészletet.", + "timeSeries": "Idősorok", + "selectTimeSeries": "Idősorozat kiválasztása.", + "singleTimeSeries": "Az adathalmaz csak egyetlen „{0}” idősort tartalmaz, amely alapértelmezés szerint ki van választva.", + "trueY": "Valódi Y", + "baselinePrediction": "Alapértékek előrejelzése", + "forecastComparisonHeader": "Lehetőségelemzési előrejelzések összehasonlítása", + "forecastComparisonChartTitle": "Előrejelzések", + "forecastComparisonChartTimeAxisLabel": "Idő", "Transformations": { - "multiply": "multiply", - "divide": "divide", - "add": "add", - "subtract": "subtract", - "change": "change to" + "multiply": "szorzás", + "divide": "osztás", + "add": "hozzáadás", + "subtract": "kivonás", + "change": "módosítás erre:" }, "TransformationCreation": { - "title": "Create what-if scenario", - "nameLabel": "What-if scenario name", - "featureInstructions": "Choose a feature to perturb.", - "operationInstructions": "Choose an operation to apply to the feature.", - "operationDropdownHeader": "Operation", - "featureDropdownHeader": "Feature", - "valueSpinButtonHeader": "Value", - "scenarioNamingInstructionsPlaceholder": "Enter a unique name", - "scenarioNamingInstructions": "Enter a name for your what-if scenario.", - "scenarioNamingCollisionMessage": "This name exists already. Please enter a unique name.", - "scenarioNamingLengthMessage": "The name must be between 1 and 50 characters. The actual length is {0}.", - "scenarioNamingInvalidCharactersMessage": "The name can only contain alphanumeric characters, whitespaces, dashes, or underscores, and needs to start with an alphanumeric character.", - "valueErrorMessage": "For operation {0} please select a value other than {1}.", - "invalidCombinationErrorMessage": "This is identical to an existing what-if scenario. Please change the feature, operation, or value.", - "addTransformationButton": "Add Transformation", - "divisionAndMultiplicationBy": "by" + "title": "Lehetőségelemzési forgatókönyv létrehozása", + "nameLabel": "Lehetőségelemzési forgatókönyv neve", + "featureInstructions": "Válassza ki a módosítani kívánt jellemzőt.", + "operationInstructions": "Válassza ki a jellemzőre alkalmazandó műveletet.", + "operationDropdownHeader": "Művelet", + "featureDropdownHeader": "Jellemző", + "valueSpinButtonHeader": "Érték", + "scenarioNamingInstructionsPlaceholder": "Adjon meg egy egyedi nevet.", + "scenarioNamingInstructions": "Adja meg a lehetőségelemzési forgatókönyv nevét.", + "scenarioNamingCollisionMessage": "Ez a név már létezik. Adjon meg egy egyedi nevet.", + "scenarioNamingLengthMessage": "A névnek 1 és 50 karakter közötti hosszúságúnak kell lennie. A tényleges hossz {{0}}.", + "scenarioNamingInvalidCharactersMessage": "A név csak alfanumerikus karaktereket, szóközöket, kötőjeleket vagy aláhúzásjeleket tartalmazhat, és alfanumerikus karakterrel kell kezdődnie.", + "valueErrorMessage": "A(z) {0} művelethez válasszon ki egy olyan értéket, amely nem {1}.", + "invalidCombinationErrorMessage": "Ez megegyezik egy meglévő lehetőségelemzési forgatókönyvvel. Módosítsa a jellemzőt, a műveletet vagy az értéket.", + "addTransformationButton": "Átalakítás hozzáadása", + "divisionAndMultiplicationBy": ":" }, "TransformationTable": { - "nameColumnHeader": "Name", - "methodColumnHeader": "Method", - "divisionAndMultiplicationBy": "by ", - "header": "What-if Forecasts ({0})" + "nameColumnHeader": "Név", + "methodColumnHeader": "Módszer", + "divisionAndMultiplicationBy": ": ", + "header": "Lehetőségelemzési előrejelzések ({0})" }, "TimeSeries": { - "apply": "Apply", - "cancel": "Cancel", - "cohortList": "Time series list", - "selectCohort": "Select a time series", - "shiftCohort": "Switch time series", - "shiftCohortDescription": "Select a time series from the time series list. Apply the time series to the dashboard." + "apply": "Alkalmaz", + "cancel": "Mégse", + "cohortList": "Idősorozatok listája", + "selectCohort": "Idősorozat kiválasztása", + "shiftCohort": "Idősor váltása", + "shiftCohortDescription": "Válasszon ki egy idősort az idősorlistából, majd alkalmazza azt az irányítópultra." }, "TimeSeriesSettings": { - "CohortSettingsDescription": "Time series are pre-defined based on time series identifying columns.", - "CohortSettingsTitle": "Time series settings" + "CohortSettingsDescription": "Az idősorok előre vannak definiálva vannak az oszlopok azonosítására szolgáló idősor alapján.", + "CohortSettingsTitle": "Idősorozatok beállításai" } } } \ No newline at end of file diff --git a/libs/localization/src/lib/en.ko.json b/libs/localization/src/lib/en.ko.json index a31ce56be3..a9d2dd481d 100644 --- a/libs/localization/src/lib/en.ko.json +++ b/libs/localization/src/lib/en.ko.json @@ -3,26 +3,26 @@ "close": "닫기", "tooltipButton": "도구 설명 단추", "identityFeature": "ID 기능", - "infoTitle": "Additional information", - "spinButton": "Spin", - "editButton": "Edit", - "decreaseValue": "Decrease value", - "increaseValue": "Increase value", - "decreaseValueByOne": "Decrease value by 1", - "increaseValueByOne": "Increase value by 1", - "loading": "Loading..." + "infoTitle": "추가 정보", + "spinButton": "스핀", + "editButton": "편집", + "decreaseValue": "값 감소", + "increaseValue": "값 늘리기", + "decreaseValueByOne": "값을 1씩 줄이기", + "increaseValueByOne": "값을 1씩 늘리기", + "loading": "로드하는 중..." }, "ChartContextMenu": { - "hideData": "Hide data table", - "viewData": "View data table", - "viewInFullScreen": "View in full screen", - "printChart": "Print chart", - "downloadCSV": "Download CSV", - "downloadPNG": "Download PNG image", - "downloadJPEG": "Download JPEG image", - "downloadPDF": "Download PDF document", - "downloadSVG": "Download SVG vector image", - "downloadXLS": "Download XLS" + "hideData": "데이터 테이블 숨기기", + "viewData": "데이터 테이블 보기", + "viewInFullScreen": "전체 화면으로 보기", + "printChart": "차트 인쇄", + "downloadCSV": "CSV 다운로드", + "downloadPNG": "PNG 이미지 다운로드", + "downloadJPEG": "JPEG 이미지 다운로드", + "downloadPDF": "PDF 문서 다운로드", + "downloadSVG": "SVG 벡터 이미지 다운로드", + "downloadXLS": "XLS 다운로드" }, "CausalAnalysis": { "AggregateView": { @@ -39,7 +39,7 @@ "description": "인과 관계 분석은 제품에 대해 다른 가격 책정 전략을 추구하거나 환자에 대한 대체 치료와 같은 다양한 정책 선택 하에서 실제 결과가 어떻게 변화되었을지에 대한 '가상'의 질문에 답을 합니다. 중요한 상관 관계 패턴을 식별하는 모델 예측과 달리 이러한 도구는 관심 결과에 직접적인 영향을 주는 가장 중요한 인과 관계 기능을 식별할 수 있습니다. 이러한 모델은 다른 교란 기능을 일정하게 유지하며 한 기능(일반적으로 “처리”라고 함)의 인과 관계 효과를 식별합니다. 최상의 결과를 위해 전체 데이터 세트에 교란 요인으로 결과와 상관 관계가 될 수 있는 모든 사용 가능한 기능을 포함하는지 확인합니다.", "directAggregate": "95% 신뢰 구간이 있는 각 처리의 직접적인 집계 인과 효과", "here": "여기", - "infoTitle": "Additional information on aggregated causal effects", + "infoTitle": "집계된 인과 효과에 대한 추가 정보", "lasso": "올가미(또는 y가 이진인 경우 로지스틱 회귀)는 X[-i]에서 y를 예측하는 데 적합했으며, 올가미(또는 X[i]가 범주형인 경우 로지스틱 회귀)는 Χ[-i]에서 X[i]를 예측하는 데 적합했습니다. 인과 관계 효과는 두 예측 작업의 잔차/기습 변형의 평균 상관 관계로 볼 수 있습니다. Double Machine Learning에 대해 자세히 알아보기", "unconfounding": "교란 기능은 무엇인가요?" }, @@ -51,7 +51,7 @@ "description": "개별 인과 관계 효과는 고객을 대상으로 하는 프로모션 또는 개별화된 치료 계획과 같은 맞춤화된 해결책을 제공할 수 있습니다. 특정 기능 집합이 포함된 개인이 인과 관계 기능 또는 치료의 변화에 어떻게 반응할까요? 치료 수준을 변경하는 경우, 인과 관계의 가상 도구는 특정 개인에 대한 실제 결과의 한계적 변화를 계산합니다. 이 분석을 통해 제품에 대한 다른 가격 책정 전략이나 환자에 대한 대체 치료 등의 다양한 정책 선택에서 실제 결과가 변화한 방식을 파악할 수 있습니다. 관심 가는 치료를 지정하여 실제 결과가 변화하는 방식을 관찰합니다.", "directIndividual": "95% 신뢰 구간이 있는 각 처리에 대한 직접적인 개별 인과 효과", "index": "데이터 포인트 인덱스", - "infoTitle": "Additional information on individual causal what-if", + "infoTitle": "개별 인과 관계(what-if)에 대한 추가 정보", "missingParameters": "이 탭에서 평가 데이터 세트를 제공해야 합니다.", "newOutcome": "새 결과", "selectTreatment": "처리 선택", @@ -85,7 +85,7 @@ "averageGainBinary": "처리 {0}을(를) 기준 값 {1}(으)로 설정했을 때의 평균 게인입니다.", "averageGainContinuous": "‘{0}’ 처리가 없는 경우에 대한 대체 정책의 평균 이익입니다.", "header": "이러한 도구는 향후 개입을 위한 정책을 만드는 데 도움이 됩니다. 샘플의 어떤 부분에서 인과적 기능 또는 처리의 변화에 대해 가장 큰 응답을 경험하는지 식별하고 특정 개입의 대상이 되어야 하는 향후 데이터 집합을 정의하는 규칙을 구성할 수 있습니다.", - "infoTitle": "Additional information on treatment policy", + "infoTitle": "처리 정책에 대한 추가 정보", "nSample": "n = {0}", "noData": "데이터 없음" } @@ -116,8 +116,8 @@ "cancel": "취소", "title": "코호트 전환", "subText": "코호트 목록에서 코호트를 선택합니다. 대시보드에 코호트를 적용합니다.", - "selectCohort": "Select a cohort", - "cohortList": "Cohort list" + "selectCohort": "코호트 선택", + "cohortList": "코호트 목록" }, "PreBuiltCohort": { "featureNameNotFound": "데이터 세트에서 기능 이름을 찾을 수 없습니다.", @@ -148,13 +148,13 @@ "predictedClass": "예측 클래스", "predictedValue": "예측된 값" }, - "Size": "Size", - "loading": "Loading...", + "Size": "크기", + "loading": "로드하는 중...", "counterfactualEx": "반사실적 예 {0}", "counterfactualName": "가상 반사실적 서술 이름", "createWhatIfCounterfactual": "가상 반사실적 서술 만들기", "createCounterfactual": "반사실적", - "revertToBubbleChart": "View bubble chart", + "revertToBubbleChart": "거품형 차트 보기", "createOwn": "사용자 고유의 반사실적 기능을 만듭니다.", "currentClass": "현재 클래스", "currentRange": "현재 범위", @@ -167,9 +167,9 @@ "listDescription": "이 목록은 추정 인과 관계 모델에 포함된 모든 기능을 기반으로 현재 데이터 샘플에서 선택한 처리에 대해 가장 큰 인과 관계 응답을 갖는 데이터 포인트를 보여 줍니다. 왼쪽 5개 열은 관찰에 대한 처리 권장 여부, 현재 처리, 처리의 추정 효과(이원 처리에 대한 처리가 없는 기준선에서 처리를 적용하거나 일번적인 처리의 10%만큼 처리 기능을 증가/감소시키는 효과: [동적: 사용한 처리의 수치적 변화 보고])와 이 효과에 대한 상위와 하위 CI(신뢰 구간)를 보고합니다. 나머지 열은 각 관찰의 현재 처리 상태 및 기타 기능을 표시합니다.", "localImportanceDescription": "원하는 모델 예측을 달성하기 위해 교란할 행 {0}의 최상위 기능입니다. 예측에 대한 가상 분석 기준: {1}", "localImportanceSelectData": "로컬 중요도 차트를 볼 데이터 요소 선택", - "largeLocalImportanceSelectData": "Select a bubble, followed by a data point to view local importance chart", - "localImportanceFetchError": "There was an error while fetching the local importance data. Error details: {0} Please check the data used.", - "BubbleChartFetchError": "There was an error while fetching the data. Error details: {0} Please check the data used.", + "largeLocalImportanceSelectData": "거품형을 선택한 다음 데이터 요소로 로컬 중요도 차트를 봅니다.", + "localImportanceFetchError": "로컬 중요도 데이터를 가져오는 동안 오류가 발생했습니다. 오류 세부 정보: {0} 사용된 데이터를 확인하세요.", + "BubbleChartFetchError": "데이터를 가져오는 동안 오류가 발생했습니다. 오류 세부 정보: {0} 사용된 데이터를 확인하세요.", "noData": "데이터 없음", "noFeatures": "사용 가능한 기능 없음", "panelDescription": "카운터페이스를 찾아보고 직접 만듭니다. 다양한 반시상 예제 집합에서 제안된 값을 보려면 기능을 검색합니다. 각 반대쪽 이름 아래에서 값” 설정 텍스트를 클릭하여 “제안된 반대쪽 기능 값을 설정합니다. 반대의 이름을 지정하고 저장합니다.", @@ -217,13 +217,13 @@ "subText": "선택한 코호트에 대해 자세히 알아봅니다. 해당 코호트 이름을 편집합니다. 이 코호트를 삭제합니다." }, "FeatureList": { - "featureList": "Feature List", + "featureList": "기능 목록", "apply": "적용", "features": "기능", "importances": "중요도", "treeMapDescription": "트리 맵을 재학습시키려면 아래 기능을 선택하고 저장합니다. 기능 중요도는 실제 레이블에 오류가 있는 상호 정보를 사용하여 계산된 것입니다. 트리 맵을 교육하기 위한 지침으로 사용하세요.", "staticTreeMapDescription": "트리 맵을 학습하는 데 사용된 기능을 봅니다. 기능 중요도는 실제 레이블에 오류가 있는 상호 정보를 사용하여 계산되었습니다.", - "searchResultMessage": "Results displayed out of {resultLength} for {searchValue}" + "searchResultMessage": "{searchValue}에 대해 {resultLength}에서 결과가 표시됨" }, "TreeViewParameters": { "maximumDepth": "최대 깊이", @@ -289,7 +289,7 @@ "disabledWarning": "전체 데이터 세트에 대해 열 지도가 생성되고 있기 때문에 전역 코호트가 \"모든 데이터\"를 나타내도록 전환되지 않는 한 오류 열 지도를 사용할 수 없습니다. 오류 열 지도를 보려면 전체 데이터 세트로 다시 전환하세요." }, "MatrixSummary": { - "heatMapInfoTitle": "Additional information on heat map", + "heatMapInfoTitle": "열 지도에 대한 추가 정보", "heatMapDescription": "열 지도를 사용하면 특정 교차 기능 필터에 집중하여 세분화된 오류율을 계산할 수 있습니다. 비교할 두 데이터 세트 기능으로 시작합니다.", "heatMapStaticDescription": "열 지도를 사용하면 특정 교집합 기능 필터에 초점을 맞추고 세분화된 오류 비율을 계산할 수 있습니다. 대시보드를 보기 전에 SDK를 통해 열 지도를 만들려면 최대 두 개의 기능을 선택해야 합니다." }, @@ -305,108 +305,108 @@ }, "Metrics": { "AccuracyScore": { - "Name": "Accuracy score", - "Info": "The accuracy score represents the ratio of correct to total instances in the data.", - "Short": "Accuracy", - "Title": "Additional information on accuracy score" + "Name": "정확도 점수", + "Info": "정확도 점수는 데이터의 전체 인스턴스에 대한 올바른 비율을 나타냅니다.", + "Short": "정확도", + "Title": "정확도 점수에 대한 추가 정보" }, "ErrorRate": { - "Name": "Error rate", - "Info": "The error rate represents the percentage of instances in the node for which the system has failed.", - "Short": "Error rate", - "Title": "Additional information on error rate" + "Name": "오류 비율", + "Info": "오류 비율은 시스템이 실패한 노드에 있는 인스턴스의 백분율을 나타내는 데 사용할 수 있습니다.", + "Short": "오류 비율", + "Title": "오류 비율에 대한 추가 정보" }, "F1Score": { - "Name": "F1 score", - "Info": "The F1 score is the harmonic mean of the precision and recall metrics.", - "Short": "F1 score", - "Title": "Additional information on F1 score" + "Name": "F1 점수", + "Info": "F1 점수는 정밀도 및 회수 메트릭의 하모니 평균입니다.", + "Short": "F1 점수", + "Title": "F1 점수에 대한 추가 정보" }, "MeanAbsoluteError": { - "Name": "Mean absolute error", - "Info": "The mean absolute error is the average of the sum of the errors.", - "Short": "Mean abs. error", - "Title": "Additional information on mean absolute error" + "Name": "평균 절대 오차", + "Info": "평균 절대 오차는 오류 합계의 평균입니다.", + "Short": "평균 abs. 오류", + "Title": "평균 절대 오차에 대한 추가 정보" }, "MeanSquaredError": { - "Name": "Mean squared error", - "Info": "The mean squared error is the average of the squares of the errors.", - "Short": "Mean sq. error", - "Title": "Additional information on mean squared error" + "Name": "제곱 평균 오차", + "Info": "평균 제곱 오차는 오류 제곱의 평균입니다.", + "Short": "평균 sq. 오류", + "Title": "평균 제곱 오차에 대한 추가 정보" }, "Precision": { - "Name": "Precision score", - "Info": "The precision is the ratio of true positives over all predicted positives.", - "Short": "Precision", - "Title": "Additional information on precision" + "Name": "정밀도 점수", + "Info": "정밀도는 모든 예측 긍정에 대한 진양성 비율입니다.", + "Short": "정밀도", + "Title": "정밀도에 대한 추가 정보" }, "Recall": { - "Name": "Recall score", - "Info": "The recall is the ratio of true positives over all actual positives.", - "Short": "Recall", - "Title": "Additional information on recall" + "Name": "회수 점수", + "Info": "회수는 모든 실제 긍정에 대한 진양성 비율입니다.", + "Short": "회수", + "Title": "회수에 대한 추가 정보" }, "MacroPrecision": { - "Name": "Macro averaged precision score", - "Info": "The macro averaged precision is the ratio of true positives over all predicted positives computed independently per class and averaged.", - "Short": "Macro precision", - "Title": "Additional information on macro averaged precision" + "Name": "매크로 평균 정밀도 점수", + "Info": "매크로 평균 정밀도는 클래스별로 독립적으로 계산되고 평균을 계산한 모든 예측 긍정에 대한 진양성 비율입니다.", + "Short": "매크로 정밀도", + "Title": "매크로 평균 정밀도에 대한 추가 정보" }, "MicroPrecision": { - "Name": "Micro averaged precision score", - "Info": "The micro averaged precision is the ratio of true positives over all predicted positives aggregated for all classes.", - "Short": "Micro precision", - "Title": "Additional information on micro averaged precision" + "Name": "마이크로 평균 정밀도 점수", + "Info": "마이크로 평균 정밀도는 모든 클래스에 대해 집계된 모든 예측 긍정에 대한 진양성 비율입니다.", + "Short": "마이크로 정밀도", + "Title": "마이크로 평균 정밀도에 대한 추가 정보" }, "MacroRecall": { - "Name": "Macro averaged recall score", - "Info": "The macro averaged recall is the ratio of true positives over all actual positives computed independently per class and averaged.", - "Short": "Macro recall", - "Title": "Additional information on macro averaged recall" + "Name": "매크로 평균 회수 점수", + "Info": "매크로 평균 회수는 클래스별로 독립적으로 계산되고 평균을 계산한 모든 실제 긍정에 대한 진양성 비율입니다.", + "Short": "매크로 회수", + "Title": "매크로 평균 회수에 대한 추가 정보" }, "MicroRecall": { - "Name": "Micro averaged recall score", - "Info": "The micro averaged recall is the ratio of true positives over all actual positives aggregated for all classes.", - "Short": "Micro recall", - "Title": "Additional information on micro averaged recall" + "Name": "마이크로 평균 회수 점수", + "Info": "마이크로 평균 회수는 모든 클래스에 대해 집계된 모든 실제 긍정에 대한 진양성 비율입니다.", + "Short": "마이크로 회수", + "Title": "마이크로 평균 회수에 대한 추가 정보" }, "MacroF1Score": { - "Name": "Macro averaged F1 score", - "Info": "The macro averaged F1 score is the harmonic mean of the macro averaged precision and recall metrics.", - "Short": "Macro F1 score", - "Title": "Additional information on macro averaged F1 score" + "Name": "매크로 평균 F1 점수", + "Info": "매크로 평균 F1 점수는 매크로 평균 정밀도 및 회수 메트릭의 평균입니다.", + "Short": "매크로 F1 점수", + "Title": "매크로 평균 F1 점수에 대한 추가 정보" }, "MicroF1Score": { - "Name": "Micro averaged F1 score", - "Info": "The micro averaged F1 score is the harmonic mean of the micro averaged precision and recall metrics.", - "Short": "Micro F1 score", - "Title": "Additional information on micro averaged F1 score" + "Name": "마이크로 평균 F1 점수", + "Info": "마이크로 평균 F1 점수는 마이크로 평균 정밀도 및 회수 메트릭의 하모니 평균입니다.", + "Short": "마이크로 F1 점수", + "Title": "마이크로 평균 F1 점수에 대한 추가 정보" }, "MeanAveragePrecision": { - "Name": "Mean average precision score", - "Info": "Mean average precision for object detection models is the average of AP (average precision) across all classes. This evaluates the robustness of your object detection model and encapsulates the tradeoff between precision and recall.", - "Short": "Mean avg precision", - "Title": "Additional information on mean average precision score" + "Name": "평균 정밀도 점수", + "Info": "개체 검색 모델의 평균 정밀도는 모든 클래스의 평균 AP(평균 정밀도)입니다. 이것은 개체 검색 모델의 견고성을 평가하고 정밀도와 재현율 사이의 절충안을 캡슐화합니다.", + "Short": "평균 평균 정밀도", + "Title": "평균 평균 정밀도 점수에 대한 추가 정보" }, "AveragePrecision": { - "Name": "Average precision score", - "Info": "Average precision for object detection models is calculated for a selected class.", - "Short": "Avg precision", - "Title": "Additional information on average precision score" + "Name": "평균 정밀도 점수", + "Info": "개체 검색 모델의 평균 정밀도는 선택한 클래스에 대해 계산됩니다.", + "Short": "평균 정밀도", + "Title": "평균 정밀도 점수에 대한 추가 정보" }, "AverageRecall": { - "Name": "Average recall score", - "Info": "Average recall for object detection models is calculated for a selected class.", - "Short": "Avg recall", - "Title": "Additional information on average recall score" + "Name": "평균 재현율 점수", + "Info": "개체 검색 모델의 평균 재현율은 선택한 클래스에 대해 계산됩니다.", + "Short": "평균 회수", + "Title": "평균 회수 점수에 대한 추가 정보" }, "metricName": "메트릭 이름", "metricValue": "메트릭 값" }, "MetricSelector": { "selectorLabel": "메트릭 선택", - "feature1SelectorLabel": "Rows: Feature 1", - "feature2SelectorLabel": "Columns: Feature 2" + "feature1SelectorLabel": "행: 기능 1", + "feature2SelectorLabel": "열: 기능 2" }, "Navigation": { "cohortSaved": "새 코호트가 저장되었습니다! 코호트 설정에서 코호트 목록을 참조하세요.", @@ -427,9 +427,9 @@ "defaultLabelCopy": "모든 데이터 복사" }, "TreeView": { - "ariaLabel": "Interactive chart", - "disabledArialLabel": "Disabled interactive chart", - "treeMapInfoTitle": "Additional information on tree map", + "ariaLabel": "대화형 차트", + "disabledArialLabel": "비활성화된 대화형 차트", + "treeMapInfoTitle": "트리 맵에 대한 추가 정보", "treeDescription": "트리 시각화는 각 기능과 오류 간의 상호 정보를 사용하여 오류 인스턴스를 데이터에서 계층적으로 성공 인스턴스와 가장 잘 구분합니다. 이렇게 하면 일반적인 오류 패턴을 검색하고 강조 표시하는 프로세스가 간소화됩니다. 중요한 오류 패턴을 찾으려면 더 강한 빨간색(예: 높은 오류 비율) 및 더 높은 채우기 선(즉, 높은 오류 검사)을 가진 노드를 찾습니다. 트리에서 사용 중인 기능 목록을 편집하려면 \"기능 목록\"을 클릭합니다. \"메트릭 선택\" 드롭다운 메뉴를 사용하여 오류 및 성공 노드의 성능에 대해 자세히 알아보세요. 이 메트릭 선택은 오류 트리가 생성되는 방식에 영향을 주지 않습니다.", "treeStaticDescription": "트리 시각화는 각 기능과 오류 간의 상호 정보를 사용하여 오류 인스턴스를 데이터에서 계층적으로 성공 인스턴스와 가장 잘 구분합니다. 이렇게 하면 일반적인 오류 패턴을 검색하고 강조 표시하는 프로세스가 간소화됩니다. 중요한 오류 패턴을 찾으려면 더 강한 빨간색(예: 높은 오류 비율) 및 더 높은 채우기 선(즉, 높은 오류 검사)을 가진 노드를 찾습니다. 이 오류 트리를 만드는 데 사용되는 기능 목록을 보려면 \"기능 목록\"을 클릭합니다. \"메트릭 선택\" 드롭다운 메뉴를 사용하여 오류 및 성공 노드의 성능에 대해 자세히 알아보세요. 이 메트릭 선택은 오류 트리가 생성되는 방식에 영향을 주지 않습니다.", "disabledWarning": "전체 데이터 세트에 대해 트리 지도가 생성되고 있기 때문에 전역 코호트가 \"모든 데이터\"를 나타내도록 전환되지 않는 한 오류 트리 지도를 사용할 수 없습니다. 오류 트리 지도를 보려면 전체 데이터 세트로 다시 전환하세요." @@ -764,7 +764,7 @@ "countHelperText": "점수의 히스토그램", "ditherLabel": "디더링해야 함", "groupByCohort": "코호트별 그룹", - "logarithmicScaling": "Enable logarithmic scaling", + "logarithmicScaling": "로그 크기 조정 사용", "numOfBins": "bin 개수", "selectClass": "클래스 선택", "selectFeature": "기능 선택", @@ -788,7 +788,7 @@ "importancePrefix": "중요도", "numberOfDatapoints": "데이터 포인트 수", "rowIndex": "행 인덱스", - "absoluteIndex": "Absolute index", + "absoluteIndex": "절대 인덱스", "xValue": "X 값", "yValue": "Y 값" }, @@ -816,12 +816,12 @@ }, "CohortEditor": { "columns": { - "index": "Index", - "dataset": "Dataset", - "predictedY": "Predicted Y", + "index": "인덱스", + "dataset": "데이터 세트", + "predictedY": "예측 Y", "trueY": "True Y", - "classificationOutcome": "Classification outcome", - "regressionError": "Error" + "classificationOutcome": "분류 결과", + "regressionError": "오류" }, "TreatAsCategorical": "범주로 처리", "addFilter": "필터 추가", @@ -846,8 +846,8 @@ "save": "저장", "saveAndSwitch": "저장 및 전환", "selectFilter": "필터 선택", - "noFiltersApplied": "No filters applied", - "filterAdded": "Filter added" + "noFiltersApplied": "필터가 적용되지 않음", + "filterAdded": "필터가 추가됨" }, "Columns": { "classificationOutcome": "분류 결과", @@ -857,8 +857,8 @@ "falsePositive": "가양성", "none": "개수", "predictedProbabilities": "예측 확률", - "predictedLabels": "Predicted labels", - "trueLabels": "True labels", + "predictedLabels": "예측된 레이블", + "trueLabels": "True 레이블", "regressionError": "회귀 오류", "trueNegative": "진음성", "truePositive": "진양성", @@ -879,7 +879,7 @@ "aggregatePlots": "집계 플롯", "chartType": "차트 유형", "colorValue": "색 값", - "infoTitle": "Additional information on data analysis chart view", + "infoTitle": "데이터 분석 차트 보기에 대한 추가 정보", "helperText": "데이터 세트 코호트를 만들어 예측 결과, 데이터 세트 기능 및 오류 그룹과 같은 필터를 따라 데이터 세트 통계를 분석합니다. 데이터 세트의 오버/밑 프레젠테이션에 대해 알아봅니다.", "individualDatapoints": "개별 데이터 포인트", "missingParameters": "이 탭에서 평가 데이터 세트를 제공해야 합니다.", @@ -968,10 +968,10 @@ "dependencePlotHelperText": "이 종속도는 기능 값과 해당 기능 중요도 값의 관계를 보여줍니다.", "dependencePlotTitle": "종속 플롯", "helperText": "전체 모델 예측에 영향을 주는 최상위 중요 기능을 탐색합니다(전역 설명이라고도 함). 슬라이더를 사용하여 기능 중요도를 내림차순으로 표시합니다. 모든 코호트의 기능 중요도는 나란히 표시되며 범례에서 코호트를 선택하여 전환할 수 있습니다. 그래프의 기능 중 하나를 클릭하여 선택한 기능의 값이 예측에 미치는 영향에 대한 조밀도를 아래에 표시합니다.", - "infoTitle": "Additional information on aggregate feature importance", + "infoTitle": "집계 기능 중요도에 대한 추가 정보", "legendHelpText": "범례 항목을 클릭하여 그림에서 코호트를 토글하여 켜거나 끕니다.", "missingParameters": "이 탭에서 로컬 기능 중요도 매개 변수를 제공해야 합니다.", - "sortByCohort": "Sort by cohort", + "sortByCohort": "코호트별로 정렬", "sortBy": "데이터 요소별로 정렬", "topAtoB": "중요도별 상위 {0}개 기능", "viewDependencePlotFor": "다음에 대한 종속성 플롯 보기:", @@ -1014,15 +1014,15 @@ }, "Statistics": { "accuracy": "정확도: {0}", - "bleuScore": "Bleu score: {0}", - "bertScore": "Bert score: {0}", - "exactMatchRatio": "Exact match ratio: {0}", - "rougeScore": "Rouge Score: {0}", + "bleuScore": "Bleu 점수: {0}", + "bertScore": "Bert 점수: {0}", + "exactMatchRatio": "정확한 일치 비율: {0}", + "rougeScore": "내보내기 점수: {0}", "fnr": "거짓 음수 비율: {0}", "fpr": "가양성 비율: {0}", - "hammingScore": "Hamming score: {0}", + "hammingScore": "채점 점수: {0}", "meanPrediction": "평균 예측 {0}", - "meteorScore": "Meteor Score: {0}", + "meteorScore": "유성 점수: {0}", "mse": "평균 제곱 오차: {0}", "precision": "정밀도: {0}", "rSquared": "R²: {0}", @@ -1030,10 +1030,10 @@ "selectionRate": "선택 속도: {0}", "mae": "절대 평균 오류: {0}", "f1Score": "F1 점수: {0}", - "samples": "Sample size: {0}", - "meanAveragePrecision": "Mean average precision: {0}", - "averagePrecision": "Average precision: {0}", - "averageRecall": "Average recall: {0}" + "samples": "샘플 크기: {0}", + "meanAveragePrecision": "평균 정밀도: {0}", + "averagePrecision": "평균 정밀도: {0}", + "averageRecall": "평균 재현율: {0}" }, "ValidationErrors": { "addFilters": "필터 추가", @@ -1141,29 +1141,29 @@ "InterpretText": { "View": { "interpretibilityDashboard": "해석 가능성 대시보드", - "importantWords": "Show most Important Words", + "importantWords": "가장 중요한 단어 표시", "topFeatureList": "상위 기능 목록 분석", "allButton": "모든 기능", "negButton": "부정적인 기능", "posButton": "양(+)의 기능", - "legendText": "Positive scalar feature importances represent the extent that the words were important towards the classification of your selected label, and negative scalar feature importances represent words that encouraged your model away from your selected label.", - "legendTextForQA": "The left text box and the bar chart display the predictions of the model. The right text box shows the feature importance associated with a selected token. Positive feature importances represent the extent that the words were important towards marking the selected token as the starting/ending position of the answer.", + "legendText": "양의 스칼라 기능 중요도는 단어가 선택한 레이블의 분류에 중요했던 정도를 나타내고 음수 스칼라 특성 중요도는 모델을 선택한 레이블에서 멀어지게 한 단어를 나타냅니다.", + "legendTextForQA": "왼쪽 텍스트 상자와 막대형 차트는 모델의 예측을 표시합니다. 오른쪽 텍스트 상자에는 선택한 토큰과 연결된 기능 중요도가 표시됩니다. 긍정적인 기능 중요도는 선택한 토큰을 답변의 시작/끝 위치로 표시하는 데 단어가 중요한 정도를 나타냅니다.", "label": "레이블", "colon": ": ", - "startingPosition": "STARTING POSITION", - "endingPosition": "ENDING POSITION", - "predictedAnswer": "Predicted answer: ", - "trueAnswer": "True answer: ", - "inputs": "Inputs", - "outputs": "Outputs" + "startingPosition": "시작 위치", + "endingPosition": "끝 위치", + "predictedAnswer": "예측된 답변: ", + "trueAnswer": "실제 답변: ", + "inputs": "입력", + "outputs": "출력" }, "Legend": { "featureLegend": "텍스트 기능 범례", "posFeatureImportance": "양(+)의 기능 중요성", "negFeatureImportance": "음(-)의 기능 중요성", - "cls": "CLS: start of the sentence", - "sep": "SEP: end of the sentence", - "selectedWord": "Selected word: " + "cls": "CLS: 문장의 시작", + "sep": "SEP: 문장의 끝", + "selectedWord": "선택한 단어: " }, "BarChart": { "featureImportance": "기능 중요도" @@ -1171,55 +1171,55 @@ }, "InterpretVision": { "Cohort": { - "close": "Close", - "errorCohortName": "Please choose a unique cohort name.", - "errorNumSelected": "Please select at least one (1) item.", - "itemsSelectedSingular": "item selected", - "itemsSelectedPlural": "items selected", - "save": "Save cohort", - "saveAndClose": "Save and close", - "saveAndSwitch": "Save and switch", - "textField": "New cohort name", - "title": "Save new cohort" + "close": "닫기", + "errorCohortName": "고유한 코호트 이름을 선택하세요.", + "errorNumSelected": "하나 이상의 항목을 선택하세요.", + "itemsSelectedSingular": "항목이 선택됨", + "itemsSelectedPlural": "선택한 항목", + "save": "코호트 저장", + "saveAndClose": "저장 후 닫기", + "saveAndSwitch": "저장 및 전환", + "textField": "새 코호트 이름", + "title": "새 코호트 저장" }, "Dashboard": { "allData": "모든 데이터", - "columnOne": "Image", + "columnOne": "이미지", "columnTwo": "지수", "columnThree": "True Y", "columnFour": "예측 Y", "columnFive": "기타 메타데이터", - "chooseObject": "Choose a detected object", - "examples": "examples", + "chooseObject": "검색된 개체 선택", + "examples": "예제", "filter": "필터", - "indexLabel": "Image ", - "labelTypeDropdown": "Select label type", - "labelVisibilityDropdown": "Select labels to display", - "legendFailure": "failure", - "legendSuccess": "success", - "loading": "Computing explanation for index", - "multiselect": "Multiselect", - "notdefined": "object scenario not defined", - "objectSelect": "Object Selection", + "indexLabel": "이미지 ", + "labelTypeDropdown": "레이블 유형 선택", + "labelVisibilityDropdown": "표시할 레이블 선택", + "legendFailure": "실패", + "legendSuccess": "성공", + "loading": "인덱스 계산 설명", + "multiselect": "다중 선택", + "notdefined": "개체 시나리오가 정의되지 않음", + "objectSelect": "개체 선택", "pageSize": "페이지 크기: ", - "panelTitle": "Selected instance", - "panelExplanation": "Explanation", - "panelInformation": "Information", - "predictedLabel": "Predicted label", - "predictedY": "Predicted: ", - "prefix": "Object: ", - "rows": "Rows: ", + "panelTitle": "선택한 인스턴스", + "panelExplanation": "설명", + "panelInformation": "정보", + "predictedLabel": "예측 레이블", + "predictedY": "예측: ", + "prefix": "개체: ", + "rows": "행: ", "search": "검색", - "selectAll": "Select all", + "selectAll": "모두 선택", "settings": "설정", - "showAll": "Show all", + "showAll": "모두 표시", "tabOptionFirst": "이미지 탐색기 보기", "tabOptionSecond": "테이블 보기", - "tabOptionThird": "Class view", + "tabOptionThird": "클래스 뷰", "thumbnailSize": "썸네일 크기", "titleBarError": "오류 인스턴스", "titleBarSuccess": "성공 사례", - "trueY": "Ground truth: " + "trueY": "실측 " } }, "ModelAssessment": { @@ -1228,15 +1228,15 @@ "CalloutContent": "일부 구성 요소(오류 트리 보기, 오류 열 지도)를 추가하면 아래 구성 요소에 있는 전역 코호트의 데이터를 필터링할 수 있습니다.", "CalloutTitle": "구성 요소 추가", "TabAddedMessage": { - "DataAnalysis": "Data analysis component added", - "FeatureImportances": "Feature importances component added", - "ErrorAnalysis": "Error analysis component added", - "Fairness": "Fairness component added", - "ModelOverview": "Model overview component added", - "CausalAnalysis": "Causal analysis component added", - "Counterfactuals": "Counterfactuals component added", - "Vision": "Vision data explorer component added", - "Forecasting": "Forecasting what-if component added" + "DataAnalysis": "데이터 분석 구성 요소 추가됨", + "FeatureImportances": "기능 중요도 구성 요소 추가됨", + "ErrorAnalysis": "오류 분석 구성 요소가 추가됨", + "Fairness": "공정성 구성 요소가 추가됨", + "ModelOverview": "모델 개요 구성 요소 추가됨", + "CausalAnalysis": "인과 분석 구성 요소 추가됨", + "Counterfactuals": "반사실적 구성 요소가 추가됨", + "Vision": "비전 데이터 탐색기 구성 요소가 추가됨", + "Forecasting": "추가된 예측 구성 요소" } }, "CausalAnalysis": { @@ -1264,7 +1264,7 @@ }, "CohortInformation": { "ShiftCohort": "코호트 전환", - "SwitchTimeSeries": "Switch time series", + "SwitchTimeSeries": "시계열 전환", "NewCohort": "새 코호트", "DataPoints": "데이터 포인트 수", "DefaultCohort": " (기본값)", @@ -1276,7 +1276,7 @@ "CohortSettingsTitle": "코호트 설정" }, "ComponentNames": { - "ChartView": "Chart view", + "ChartView": "차트 보기", "CausalAnalysis": "인과 분석", "Counterfactuals": "반대 사실", "DataAnalysis": "데이터 분석", @@ -1285,10 +1285,10 @@ "ErrorAnalysis": "오류 분석", "Fairness": "공정성", "FeatureImportances": "기능 중요도", - "Forecasting": "Forecasting", + "Forecasting": "예측", "ModelOverview": "모델 개요", - "TableView": "Table view", - "VisionTab": "Vision data explorer" + "TableView": "테이블 보기", + "VisionTab": "비전 데이터 탐색기" }, "DashboardSettings": { "Content": "이 목록에는 대시보드의 레이아웃이 표시됩니다. 아래 구성 요소에서 볼 수 있도록 오류 분석 구성 요소를 사용하여 데이터를 필터링할 수 있습니다.", @@ -1446,17 +1446,17 @@ "CorrectPredictions": "올바른 예측", "GlobalExplanation": "집계 기능 중요도", "IncorrectPredictions": "잘못된 예측", - "InfoTitle": "Additional information on data analysis table view", - "IndividualFeatureTabular": "Select a datapoint by clicking on a datapoint (up to 5 datapoints) in the table to view their local feature importance values (local explanation) and individual conditional expectation (ICE) plots.", - "IndividualFeatureText": "Select a datapoint by clicking on a datapoint in the table to view the local feature importance values (local explanation).", + "InfoTitle": "데이터 분석 테이블 뷰에 대한 추가 정보", + "IndividualFeatureTabular": "테이블에서 데이터 요소(최대 5개의 데이터 요소)를 클릭하여 데이터포인트를 선택하여 로컬 기능 중요도 값(로컬 설명) 및 ICE(개별 조건부 기대) 플롯을 확인합니다.", + "IndividualFeatureText": "로컬 특성 중요도 값(로컬 설명)을 보려면 테이블에서 데이터 포인트를 클릭하여 데이터 포인트를 선택하세요.", "LocalExplanation": "개별 기능 중요도", "SelectionCounter": "선택한 데이터 요소 {0}/{1}", "SelectionLimit": "현재 최대 5개의 데이터 포인트를 선택할 수 있습니다.", - "RowCheckboxAriaLabel": "Row checkbox", - "SelectionColumnAriaLabel": "Toggle selection" + "RowCheckboxAriaLabel": "행 확인란", + "SelectionColumnAriaLabel": "선택 사항 전환" }, "IndividualFeatureImportanceView": { - "SmallInstanceSelection": "Instance selection" + "SmallInstanceSelection": "인스턴스 선택" }, "MainMenu": { "DashboardSettings": "대시보드 구성", @@ -1472,44 +1472,44 @@ "ModelOverview": { "metrics": { "accuracy": { - "name": "Accuracy score", + "name": "정확도 점수", "description": "제대로 분류된 데이터 요소의 비율입니다." }, "exactMatchRatio": { - "name": "Exact match ratio", - "description": "The ratio of instances classified correctly for every label." + "name": "정확한 일치 비율", + "description": "모든 레이블에 대해 올바르게 분류된 인스턴스의 비율입니다." }, "meteorScore": { - "name": "Meteor Score", - "description": "METEOR Score is calculated based on the harmonic mean of precision and recall, with recall weighted more than precision in question answering task." + "name": "유성 점수", + "description": "유성 점수는 정밀도 및 재현율의 하모니 평균을 기반으로 계산되며, 재현율은 질문 응답 태스크에서 정밀도보다 많은 가중치를 가집니다." }, "bleuScore": { - "name": "Bleu Score", - "description": "Bleu Score measures the ratio of words (and/or n-grams) in the machine generated text that appeared in the reference text in question answering task." + "name": "Bleu 점수", + "description": "Bleu Score는 질문 응답 작업의 참조 텍스트에 나타난 컴퓨터에서 생성된 텍스트의 단어 비율(및/또는 n-gram)을 측정합니다." }, "bertScore": { - "name": "Bert Score", - "description": "BERTScore focuses on computing semantic similarity between tokens of reference and machine generated text in question answering task." + "name": "버트 점수", + "description": "BERTScore는 질의 응답 작업에서 참조 토큰과 기계 생성 텍스트 간의 의미론적 유사성을 계산하는 데 중점을 둡니다." }, "rougeScore": { - "name": "Rouge Score", - "description": "Rouge Score measures the ratio of words (and/or n-grams) in the reference text that appeared in the machine generated text in question answering task." + "name": "점수 매기기", + "description": "Scor Score는 컴퓨터에서 생성된 질문 응답 작업에 표시된 참조 텍스트의 단어 비율(및/또는 n-gram)을 측정합니다." }, "hammingScore": { - "name": "Hamming score", - "description": "The average ratio of labels classified correctly among those classified as 1 in multilabel task." + "name": "채점 점수", + "description": "다중 레이블 작업에서 1로 분류된 레이블 중에서 올바르게 분류된 레이블의 평균 비율입니다." }, "f1Score": { "name": "F1 점수", "description": "F1 점수는 정밀도와 재현율의 조화 평균입니다." }, "f1ScoreMacro": { - "name": "Macro F1 score", - "description": "Macro F1 score is the harmonic mean of precision and recall for each class, with each class weighted equally." + "name": "매크로 F1 점수", + "description": "매크로 F1 점수는 각 클래스에 동일한 가중치가 부여된 각 클래스에 대한 정밀도 및 재현율의 조화 평균입니다." }, "f1ScoreMicro": { - "name": "Micro F1 score", - "description": "Micro F1 score is the harmonic mean of precision and recall for each class, with each class weighted according to how many instances it contains." + "name": "마이크로 F1 점수", + "description": "Micro F1 점수는 각 클래스에 대한 정밀도 및 재현율의 하모니 평균이며, 각 클래스는 포함된 인스턴스 수에 따라 가중치가 적용됩니다." }, "meanAbsoluteError": { "name": "평균 절대 오차", @@ -1524,24 +1524,24 @@ "description": "1로 분류된 데이터 요소 중에서 제대로 분류된 데이터 요소의 비율입니다." }, "precisionMacro": { - "name": "Macro Precision score", - "description": "The fraction of data points classified correctly among those classified as 1 for each class with each class weighted equally." + "name": "매크로 정밀도 점수", + "description": "각 클래스의 가중치가 동일하게 지정된 각 클래스에 대해 1로 분류된 데이터 요소 중에서 올바르게 분류된 데이터 요소의 비율입니다." }, "precisionMicro": { - "name": "Micro Precision score", - "description": "The fraction of data points classified correctly among those classified as 1 for each class with each class weighted according to how many instances it contains." + "name": "마이크로 정밀도 점수", + "description": "각 클래스가 포함된 인스턴스 수에 따라 가중치가 적용된 각 클래스에 대해 1로 분류된 데이터 요소 중에서 올바르게 분류된 데이터 요소의 비율입니다." }, "recall": { "name": "회수 점수", "description": "실제 레이블이 1인 데이터 요소 중 제대로 분류된 데이터 요소의 비율입니다. 대체 이름: 진양성 비율, 민감도." }, "recallMacro": { - "name": "Macro Recall score", - "description": "The fraction of data points classified correctly among those whose true label is 1 for each class with each class weighted equally." + "name": "매크로 재현율 점수", + "description": "각 클래스의 가중치가 동일하게 지정된 각 클래스에 대해 true 레이블이 1인 데이터 요소 중에서 데이터 요소의 일부가 올바르게 분류되었습니다." }, "recallMicro": { - "name": "Micro Recall score", - "description": "The fraction of data points classified correctly among those whose true label is 1 for each class with each class weighted according to how many instances it contains." + "name": "마이크로 재현율 점수", + "description": "포함된 인스턴스 수에 따라 각 클래스에 가중치가 적용된 각 클래스에 대해 실제 레이블이 1인 데이터 요소 중에서 데이터 요소의 일부가 올바르게 분류되었습니다." }, "falsePositiveRate": { "name": "가양성 비율", @@ -1560,32 +1560,32 @@ "description": "모든 예측의 평균입니다." }, "meanAveragePrecision": { - "name": "Mean Average Precision score", - "description": "Mean average precision for object detection models is the average of AP (average precision) across all classes. This evaluates the robustness of your object detection model and encapsulates the tradeoff between precision and recall." + "name": "평균 정밀도 점수", + "description": "개체 검색 모델의 평균 정밀도는 모든 클래스의 평균 AP(평균 정밀도)입니다. 이것은 개체 검색 모델의 견고성을 평가하고 정밀도와 재현율 사이의 절충안을 캡슐화합니다." }, "averagePrecision": { - "name": "Average Precision score", - "description": "Average precision for object detection models is calculated for a selected class." + "name": "평균 정밀도 점수", + "description": "개체 검색 모델의 평균 정밀도는 선택한 클래스에 대해 계산됩니다." }, "averageRecall": { - "name": "Average Recall score", - "description": "Average recall for object detection models is calculated for a selected class." + "name": "평균 재현율 점수", + "description": "개체 검색 모델의 평균 재현율은 선택한 클래스에 대해 계산됩니다." }, "fairnessMetricDifference": "차이", "fairnessMetricRatio": "비율" }, "metricsDropdown": "메트릭", - "metricsTypeDropdown": "Aggregate method", + "metricsTypeDropdown": "집계 메서드", "metricTypes": { - "macro": "Macro", - "micro": "Micro" + "macro": "매크로", + "micro": "마이크로" }, - "classSelectionDropdown": "Select class(es)", + "classSelectionDropdown": "클래스 선택", "iouThresholdDropdown": { - "name": "IoU Threshold", - "description": "Intersection over Union quantifies the degree of overlap between the prediction and ground truth bounding box of a detected object in an image. For example, setting an IoU threshold of 70% means that a prediction with greater than 70% overlap with ground truth is True, thus influencing the definition of prediction correctness and calculation of other performance metrics.", + "name": "IoU 임계값", + "description": "합집합을 통한 교집합은 이미지에서 검색된 개체의 예측과 실측 경계 상자 간의 중첩 정도를 정량화합니다. 예를 들어 IoU 임계값을 70%로 설정하면 실측 데이터와 70% 이상 겹치는 예측이 True라는 의미이므로 예측 정확성의 정의 및 기타 성능 메트릭 계산에 영향을 미칩니다.", "iconId": "iouThresholdIconId", - "title": "Learn about the IoU threshold" + "title": "IoU 임계값에 대해 알아보기" }, "notAvailable": "N/A", "countColumnHeader": "샘플 크기", @@ -1597,14 +1597,14 @@ "featuresDropdown": "기능", "metricChartDropdownSelectionHeader": "메트릭", "probabilityForClassSelectionHeader": "클래스의 확률", - "targetSelectionHeader": "Target", + "targetSelectionHeader": "대상", "metricSelectionDropdownPlaceholder": "코호트를 비교할 메트릭을 선택합니다.", - "classSelectionDropdownPlaceholder": "Select class name for class-based analysis.", + "classSelectionDropdownPlaceholder": "클래스 기반 분석의 클래스 이름을 선택합니다.", "featureSelectionDropdownPlaceholder": "기능 기반 분석에 사용할 기능을 선택합니다.", "probabilityDistributionPivotItem": "확률 분포", - "regressionDistributionPivotItem": "Target distribution", + "regressionDistributionPivotItem": "대상 배포", "metricsVisualizationsPivotItem": "메트릭 시각화", - "confusionMatrixPivotItem": "Confusion matrix", + "confusionMatrixPivotItem": "혼동 행렬", "disaggregatedAnalysisFeatureSelectionPlaceholder": "기능 기반 분석을 생성할 기능을 선택합니다.", "tableCountTooltip": "코호트 {0} {1} 인스턴스를 포함합니다.", "tableMetricTooltip": "코호트 {1} 모델의 {0} {2}", @@ -1615,36 +1615,36 @@ "metricSelectionButton": "메트릭 선택", "cohortSelectionButton": "코호트 선택", "probabilityLabelSelectionButton": "레이블 선택", - "regressionTargetSelectionButton": "Choose target", + "regressionTargetSelectionButton": "대상 선택", "selectAllCohortsOption": "모두 선택", "other": "기타", "BoxPlot": { "outlierProbability": "확률", "outlierLabel": "이상값", "boxPlotSeriesLabel": "상자 그림", - "lowerWhisker": "Lower whisker", - "upperWhisker": "Upper whisker", - "median": "Median", - "lowerQuartile": "Lower quartile", - "upperQuartile": "Upper quartile" + "lowerWhisker": "최소값 수염", + "upperWhisker": "상위 수염", + "median": "중앙값", + "lowerQuartile": "하한 사분위수", + "upperQuartile": "상한 사분위수" }, "chartConfigApply": "적용", "chartConfigCancel": "취소", "chartConfigDatasetCohortSelectionPlaceholder": "데이터 세트 코호트 선택", "chartConfigFeatureBasedCohortSelectionPlaceholder": "기능 기반 코호트 선택", "confusionMatrix": { - "confusionMatrixCohortSelectionLabel": "Select dataset cohort", - "confusionMatrixClassSelectionLabel": "Select classes", - "confusionMatrixClassMinSelectionError": "Select at least {0} classes to visualize the confusion matrix.", - "confusionMatrixClassMaxSelectionError": "Select at most {0} classes to visualize the confusion matrix.", - "confusionMatrixClassSelectionDefaultPlaceholder": "Choose classes", - "confusionMatrixHeatmapTooltip": "{0} datapoints should be {1}, predicted to be {2}", - "confusionMatrixYAxisLabel": "True Class", - "confusionMatrixXAxisLabel": "Predicted Class", - "class": "Class" + "confusionMatrixCohortSelectionLabel": "데이터 세트 코호트 선택", + "confusionMatrixClassSelectionLabel": "수업 선택", + "confusionMatrixClassMinSelectionError": "적어도 {0}개 이상의 클래스를 선택하여 혼동 행렬을 시각화합니다.", + "confusionMatrixClassMaxSelectionError": "혼동 행렬을 시각화하려면 최대 {0}개의 클래스를 선택합니다.", + "confusionMatrixClassSelectionDefaultPlaceholder": "클래스 선택", + "confusionMatrixHeatmapTooltip": "{0} 데이터 포인트는 {1}이어야 하며, {2}(으)로 예측됩니다.", + "confusionMatrixYAxisLabel": "True 클래스", + "confusionMatrixXAxisLabel": "예측 클래스", + "class": "클래스" }, "nA": "N/A", - "disaggregatedAnalysisBaseCohortDisclaimer": "The cohorts in the following feature-based analysis are based on the global cohort, {0}.", + "disaggregatedAnalysisBaseCohortDisclaimer": "다음 기능 기반 분석의 코호트는 {0}전역 코호트를 기반으로 합니다.", "disaggregatedAnalysisBaseCohortWarning": " {0} 코호트와 달리 {1} 필터를 포함합니다. 따라서 전체 데이터 세트의 하위 집합만 캡처하며 인사이트는 전체 데이터 세트로 일반화되지 않을 수 있습니다.", "probabilitySplineChartToggleLabel": "스플라인 차트 사용", "countAxisLabel": "개수", @@ -1674,76 +1674,76 @@ "flyoutDescription": "데이터 세트 코호트 또는 기능 코호트를 보도록 선택할 수 있습니다. 기능 코호트를 사용할 수 없는 경우 먼저 기능 코호트 보기에서 하나 이상의 기능을 선택해야 합니다. 그러면 기능 코호트가 생성되고 여기에서 기능 코호트를 선택할 수 있습니다." }, "regressionTargetOptions": { - "predictedY": "Predicted Y", + "predictedY": "예측 Y", "trueY": "True Y", - "error": "Error" + "error": "오류" }, "topLevelDescription": "예측 값의 분포와 모델 성능 메트릭의 값을 탐색하여 모델의 성능을 평가합니다. \"데이터 세트 코호트\" 탭을 사용하여 미리 빌드되거나 새로 만든 여러 데이터 세트 코호트에서 성능에 대한 비교 분석을 확인하여 모델을 조사할 수 있습니다. \"기능 코호트\"를 사용하여 민감하거나 민감하지 않은 기능 하위 코호트에서 성능에 대한 비교 분석을 확인하여 모델을 조사합니다. (예: 다양한 성별의 성과, 소득 수준).", - "infoTitle": "Additional information on model overview", + "infoTitle": "모델 개요에 대한 추가 정보", "visualDisplayToggleLabel": "열 지도 표시", "featureBasedViewDescription": "기능 기반 코호트(한 기능이 선택된 경우) 또는 교집합 코호트(두 기능을 선택한 경우)에서 모델 성능 분석을 보려면 최대 두 개의 기능을 선택합니다." }, "TableViewTab": { - "Heading": "View the dataset in a table format for all features and rows." + "Heading": "모든 기능 및 행에 대한 테이블 형식으로 데이터 세트를 봅니다." } }, "Forecasting": { - "target": "Target", - "whatIfForecastingHeader": "What-if analysis", - "forecastHeader": "Forecast analysis", - "whatIfForecastingDescription": "What-if allows you to perturb features for your entire time series and observe how the model's forecast changes.", - "whatIfForecastingChooseTimeSeries": "To start, choose a time series from the options below.", - "forecastDescription": "Forecast analysis compares your model's forecast to the actual values of your time series. To enable what-if analysis, provide a dataset with features.", - "timeSeries": "Time series", - "selectTimeSeries": "Select a time series.", - "singleTimeSeries": "The dataset contains only a single time series '{0}' which has been selected by default.", + "target": "대상", + "whatIfForecastingHeader": "가상 분석", + "forecastHeader": "예측 분석", + "whatIfForecastingDescription": "가상 기능을 사용하면 전체 시계열의 기능을 변경하고 모델의 예측이 어떻게 변경되는지 관찰할 수 있습니다.", + "whatIfForecastingChooseTimeSeries": "시작하려면 아래 옵션에서 시계열을 선택합니다.", + "forecastDescription": "예측 분석은 모델의 예측을 시계열의 실제 값과 비교합니다. 가상 분석을 사용하려면 기능이 있는 데이터 세트를 제공하세요.", + "timeSeries": "시계열", + "selectTimeSeries": "시계열 선택", + "singleTimeSeries": "데이터 세트에는 기본적으로 선택된 단일 시계열 '{0}'만 포함됩니다.", "trueY": "True Y", - "baselinePrediction": "Baseline prediction", - "forecastComparisonHeader": "Compare What-if Forecasts", - "forecastComparisonChartTitle": "Forecasts", - "forecastComparisonChartTimeAxisLabel": "Time", + "baselinePrediction": "기준 예측", + "forecastComparisonHeader": "가상 예측 비교", + "forecastComparisonChartTitle": "예측", + "forecastComparisonChartTimeAxisLabel": "시간", "Transformations": { - "multiply": "multiply", - "divide": "divide", - "add": "add", - "subtract": "subtract", - "change": "change to" + "multiply": "곱하기", + "divide": "나누기", + "add": "추가", + "subtract": "빼기", + "change": "변경 대상" }, "TransformationCreation": { - "title": "Create what-if scenario", - "nameLabel": "What-if scenario name", - "featureInstructions": "Choose a feature to perturb.", - "operationInstructions": "Choose an operation to apply to the feature.", - "operationDropdownHeader": "Operation", - "featureDropdownHeader": "Feature", - "valueSpinButtonHeader": "Value", - "scenarioNamingInstructionsPlaceholder": "Enter a unique name", - "scenarioNamingInstructions": "Enter a name for your what-if scenario.", - "scenarioNamingCollisionMessage": "This name exists already. Please enter a unique name.", - "scenarioNamingLengthMessage": "The name must be between 1 and 50 characters. The actual length is {0}.", - "scenarioNamingInvalidCharactersMessage": "The name can only contain alphanumeric characters, whitespaces, dashes, or underscores, and needs to start with an alphanumeric character.", - "valueErrorMessage": "For operation {0} please select a value other than {1}.", - "invalidCombinationErrorMessage": "This is identical to an existing what-if scenario. Please change the feature, operation, or value.", - "addTransformationButton": "Add Transformation", - "divisionAndMultiplicationBy": "by" + "title": "가상 시나리오 만들기", + "nameLabel": "가상 시나리오 이름", + "featureInstructions": "교란할 기능을 선택합니다.", + "operationInstructions": "기능에 적용할 작업을 선택합니다.", + "operationDropdownHeader": "작업", + "featureDropdownHeader": "기능", + "valueSpinButtonHeader": "값", + "scenarioNamingInstructionsPlaceholder": "고유한 이름 입력", + "scenarioNamingInstructions": "가상 시나리오의 이름을 입력합니다.", + "scenarioNamingCollisionMessage": "이 이름은 이미 있습니다. 고유한 이름을 입력하세요.", + "scenarioNamingLengthMessage": "이름은 1자에서 50자 사이여야 합니다. 실제 길이는 {0}입니다.", + "scenarioNamingInvalidCharactersMessage": "이름은 영숫자 문자, 공백, 대시 또는 밑줄만 포함할 수 있으며 영숫자 문자로 시작해야 합니다.", + "valueErrorMessage": "작업 {0}을(를) 수행하려면 {1}이(가) 아닌 값을 선택하세요.", + "invalidCombinationErrorMessage": "이는 기존 가상 시나리오와 동일합니다. 기능, 작업 또는 값을 변경하세요.", + "addTransformationButton": "변환 추가", + "divisionAndMultiplicationBy": "작성자" }, "TransformationTable": { - "nameColumnHeader": "Name", - "methodColumnHeader": "Method", - "divisionAndMultiplicationBy": "by ", - "header": "What-if Forecasts ({0})" + "nameColumnHeader": "이름", + "methodColumnHeader": "메서드", + "divisionAndMultiplicationBy": "작성자 ", + "header": "가상 예측({0})" }, "TimeSeries": { - "apply": "Apply", - "cancel": "Cancel", - "cohortList": "Time series list", - "selectCohort": "Select a time series", - "shiftCohort": "Switch time series", - "shiftCohortDescription": "Select a time series from the time series list. Apply the time series to the dashboard." + "apply": "적용", + "cancel": "취소", + "cohortList": "시계열 목록", + "selectCohort": "시계열 선택", + "shiftCohort": "시계열 전환", + "shiftCohortDescription": "시계열 목록에서 시계열을 선택합니다. 대시보드에 시계열을 적용합니다." }, "TimeSeriesSettings": { - "CohortSettingsDescription": "Time series are pre-defined based on time series identifying columns.", - "CohortSettingsTitle": "Time series settings" + "CohortSettingsDescription": "시계열은 열을 식별하는 시계열에 따라 미리 정의됩니다.", + "CohortSettingsTitle": "시계열 설정" } } } \ No newline at end of file diff --git a/libs/localization/src/lib/en.pt-PT.json b/libs/localization/src/lib/en.pt-PT.json index f658842846..40cf95b2f6 100644 --- a/libs/localization/src/lib/en.pt-PT.json +++ b/libs/localization/src/lib/en.pt-PT.json @@ -3,26 +3,26 @@ "close": "Fechar", "tooltipButton": "Botão de descrição", "identityFeature": "Funcionalidade de identidade", - "infoTitle": "Additional information", - "spinButton": "Spin", - "editButton": "Edit", - "decreaseValue": "Decrease value", - "increaseValue": "Increase value", - "decreaseValueByOne": "Decrease value by 1", - "increaseValueByOne": "Increase value by 1", - "loading": "Loading..." + "infoTitle": "Informações adicionais", + "spinButton": "Girar", + "editButton": "Editar", + "decreaseValue": "Diminuir valor", + "increaseValue": "Aumento valor", + "decreaseValueByOne": "Diminuição de valor por 1", + "increaseValueByOne": "Aumento de valor por 1", + "loading": "A carregar…" }, "ChartContextMenu": { - "hideData": "Hide data table", - "viewData": "View data table", - "viewInFullScreen": "View in full screen", - "printChart": "Print chart", - "downloadCSV": "Download CSV", - "downloadPNG": "Download PNG image", - "downloadJPEG": "Download JPEG image", - "downloadPDF": "Download PDF document", - "downloadSVG": "Download SVG vector image", - "downloadXLS": "Download XLS" + "hideData": "Ocultar tabela de dados", + "viewData": "Ver tabela de dados", + "viewInFullScreen": "Ver em ecrã inteiro", + "printChart": "Imprimir gráfico", + "downloadCSV": "Transferir CSV", + "downloadPNG": "Transferir imagem PNG", + "downloadJPEG": "Transferir imagem JPEG", + "downloadPDF": "Transferir documento PDF", + "downloadSVG": "Transferir imagem de vetor SVG", + "downloadXLS": "Transferir XLS" }, "CausalAnalysis": { "AggregateView": { @@ -39,7 +39,7 @@ "description": "A análise causal responde a perguntas de \"teste de hipóteses\" sobre como os resultados do mundo real teriam sido alterados em diferentes opções de política, como uma estratégia de preços diferente para um produto ou um tratamento alternativo para um paciente. Ao contrário das predições de modelos que identificam padrões de correlação importantes, estas ferramentas ajudam-no a identificar as funcionalidades causais mais importantes que afetam diretamente o seu resultado de interesse. Estes modelos identificam o efeito causal de uma funcionalidade (normalmente referido como um \"tratamento\"), mantendo outras características confusas constantes. Para obter os melhores resultados, certifique-se de que o conjuntos de dados completo contém todas as funcionalidades disponíveis que possam estar correlacionadas com o resultado como confundidoras.", "directAggregate": "Agregação virtual de efeito causal de cada tratamento com um intervalo de confiança de 95%", "here": "aqui", - "infoTitle": "Additional information on aggregated causal effects", + "infoTitle": "Informações adicionais sobre efeitos causais agregados", "lasso": "Um laço (ou regressão logística se y for binário) era adequado para prever y a partir de X[-i] e um laço (ou regressão logística se X[i] for categórico) era adequado para prever X[i] a partir de Χ [-i]. O efeito causal pode ser visto como a correlação média das variações residuais/inesperadas das duas tarefas de predição. Saiba mais sobre a Dupla Aprendizagem Automática", "unconfounding": "O que são funcionalidades confusas?" }, @@ -51,7 +51,7 @@ "description": "Os efeitos causais individuais podem servir de base a intervenções personalizadas, como uma promoção direcionada aos clientes ou um plano de tratamento individualizado. Como é que um indivíduo com um conjunto específico de funcionalidades responderia a uma alteração numa funcionalidade causal ou tratamento? A ferramenta causal de teste de hipóteses calcula alterações marginais em resultados reais de um indivíduo particular se alterar o nível de um tratamento. Esta análise permite-lhe compreender a forma como os resultados do mundo real seriam alterados em diferentes opções de política, como uma estratégia de preços diferente para um produto ou um tratamento alternativo para um paciente. Especifique o tratamento de interesse e observe como o resultado do mundo real seria alterado.", "directIndividual": "Efeito causal individual de cada tratamento com um intervalo de confiança de 95%", "index": "Índice do ponto de dados", - "infoTitle": "Additional information on individual causal what-if", + "infoTitle": "Informações adicionais sobre o teste de hipóteses causal individual", "missingParameters": "Este separador requer que um conjunto de dados de avaliação seja fornecido.", "newOutcome": "Novo resultado", "selectTreatment": "Selecionar tratamento", @@ -85,7 +85,7 @@ "averageGainBinary": "Ganhos médios de definição do tratamento para o valor de linha base {0}{1}.", "averageGainContinuous": "Ganhos médios de políticas alternativas em relação a nenhum tratamento \"{0}\".", "header": "Estas ferramentas ajudam a criar políticas para futuras intervenções. Pode identificar as partes da sua experiência de exemplo com as maiores respostas a alterações nas características causais, ou tratamentos, e construir regras para definir as populações futuras que devem ser direcionadas para intervenções específicas.", - "infoTitle": "Additional information on treatment policy", + "infoTitle": "Informações adicionais sobre a política de tratamento", "nSample": "n = {0}", "noData": "Sem dados" } @@ -116,8 +116,8 @@ "cancel": "Cancelar", "title": "Mudar Coorte", "subText": "Selecione uma coorte na lista de coortes. Aplique a coorte ao dashboard.", - "selectCohort": "Select a cohort", - "cohortList": "Cohort list" + "selectCohort": "Selecionar uma coorte", + "cohortList": "Lista de coortes" }, "PreBuiltCohort": { "featureNameNotFound": "Nome da funcionalidade não encontrado no conjunto de dados", @@ -148,13 +148,13 @@ "predictedClass": "Classe prevista", "predictedValue": "Valor previsto" }, - "Size": "Size", - "loading": "Loading...", + "Size": "Tamanho", + "loading": "A carregar...", "counterfactualEx": "Exemplo de Countrafactual {0}", "counterfactualName": "Nome contrafactual de Teste de hipóteses", "createWhatIfCounterfactual": "Criar contrafacto de teste de hipóteses", "createCounterfactual": "Countrafactual", - "revertToBubbleChart": "View bubble chart", + "revertToBubbleChart": "Ver gráfico de bolhas", "createOwn": "Crie o seu próprio contrafactual:", "currentClass": "Classe atual", "currentRange": "Intervalo atual", @@ -167,9 +167,9 @@ "listDescription": "Esta lista mostra que pontos de dados na amostra de dados atual têm a maior resposta causal ao tratamento selecionado, com base em todas as funcionalidades incluídas no modelo causal estimado. As cinco colunas à esquerda indicam se o tratamento é recomendado para a observação, o tratamento atual, o efeito estimado do tratamento (efeito de aplicar um tratamento a partir de uma linha base sem tratamento para tratamentos binários ou aumentar/diminuir a funcionalidade de tratamento em 10% do tamanho de tratamento típico na amostra: [dinâmico: indica a alteração numérica no tratamento que utilizámos] ) e os intervalos de confiança inferior e superior (CI) para este efeito. As colunas restantes mostram o estado de tratamento atual e outras funcionalidades de cada observação.", "localImportanceDescription": "As funcionalidades com melhor classificação na Linha {0} a influenciar para obter a predição de modelo desejada. Com base na análise de hipóteses para a predição: {1}", "localImportanceSelectData": "Selecione um ponto de dados para ver o gráfico de importância local", - "largeLocalImportanceSelectData": "Select a bubble, followed by a data point to view local importance chart", - "localImportanceFetchError": "There was an error while fetching the local importance data. Error details: {0} Please check the data used.", - "BubbleChartFetchError": "There was an error while fetching the data. Error details: {0} Please check the data used.", + "largeLocalImportanceSelectData": "Selecione uma bolha, seguida de um ponto de dados para ver o gráfico de importância local", + "localImportanceFetchError": "Ocorreu um erro ao obter os dados de importância local. Detalhes do erro: {0} Verifique os dados utilizados.", + "BubbleChartFetchError": "Ocorreu um erro ao obter os dados. Detalhes do erro: {0} Verifique os dados utilizados.", "noData": "Sem dados", "noFeatures": "Sem funcionalidades disponíveis", "panelDescription": "Procure contrafactuais e crie os seus próprios. Pesquise funcionalidades para ver valores sugeridos de um conjunto diverso de exemplos contrafactuais. Defina valores de funcionalidade contrafactual sugeridos ao clicar no texto \"Definir Valor\" em cada nome contrafactual. Nomeie o seu contrafactual e guarde-o.", @@ -217,13 +217,13 @@ "subText": "Saiba mais sobre o grupo selecionado. Edite o nome do seu grupo. Elimine este grupo." }, "FeatureList": { - "featureList": "Feature List", + "featureList": "Lista de Funcionalidades", "apply": "Aplicar", "features": "Funcionalidades", "importances": "Importância", "treeMapDescription": "Para reeducar o mapa de árvore, selecione e guarde as funcionalidades abaixo. As importâncias das funcionalidades foram calculadas através de informações mútuas com o erro nas etiquetas verdadeiras. Utilize-a como orientação para treinar o mapa de árvore.", "staticTreeMapDescription": "Veja as funcionalidades que foram utilizadas para treinar o mapa de árvore. As importâncias das funcionalidades foram calculadas com informações mútuas com o erro nas etiquetas verdadeiras.", - "searchResultMessage": "Results displayed out of {resultLength} for {searchValue}" + "searchResultMessage": "Resultados apresentados de um total de {resultLength} para {searchValue}" }, "TreeViewParameters": { "maximumDepth": "Profundidade máxima", @@ -289,7 +289,7 @@ "disabledWarning": "O mapa térmico de erros está desativado, a menos que a coorte global seja trocada para representar \"Todos os dados\" devido ao mapa térmico ser gerado para o conjuntos de dados completo. Mude novamente para o conjuntos de dados completo para ver o mapa térmico do erro." }, "MatrixSummary": { - "heatMapInfoTitle": "Additional information on heat map", + "heatMapInfoTitle": "Informações adicionais sobre o mapa térmico", "heatMapDescription": "Com o mapa térmico, pode concentrar-se em filtros de funcionalidades interseccionais específicos e calcular taxas de erro desagregadas. Comece com duas funcionalidades de conjuntos de dados para comparar.", "heatMapStaticDescription": "Com o mapa térmico, pode concentrar-se em filtros de funcionalidades interseccionais específicos e taxas de erros de computação desagregação. Tem de selecionar até duas funcionalidades para criar um mapa térmico através do SDK antes de ver o dashboard." }, @@ -305,108 +305,108 @@ }, "Metrics": { "AccuracyScore": { - "Name": "Accuracy score", - "Info": "The accuracy score represents the ratio of correct to total instances in the data.", - "Short": "Accuracy", - "Title": "Additional information on accuracy score" + "Name": "Pontuação de precisão", + "Info": "A pontuação de precisão representa o rácio de instâncias corretas em relação ao total nos dados.", + "Short": "Precisão", + "Title": "Informações adicionais sobre a pontuação de precisão" }, "ErrorRate": { - "Name": "Error rate", - "Info": "The error rate represents the percentage of instances in the node for which the system has failed.", - "Short": "Error rate", - "Title": "Additional information on error rate" + "Name": "Taxa de erro", + "Info": "A taxa de erro representa a percentagem de instâncias no nó para as quais o sistema falhou.", + "Short": "Taxa de erro", + "Title": "Informações adicionais sobre a taxa de erro" }, "F1Score": { - "Name": "F1 score", - "Info": "The F1 score is the harmonic mean of the precision and recall metrics.", - "Short": "F1 score", - "Title": "Additional information on F1 score" + "Name": "Pontuação F1", + "Info": "A pontuação F1 é a média harmónica das métricas de precisão e revocação.", + "Short": "Pontuação F1", + "Title": "Informações adicionais sobre a pontuação F1" }, "MeanAbsoluteError": { - "Name": "Mean absolute error", - "Info": "The mean absolute error is the average of the sum of the errors.", - "Short": "Mean abs. error", - "Title": "Additional information on mean absolute error" + "Name": "Erro absoluto médio", + "Info": "O erro absoluto médio é a média da soma dos erros.", + "Short": "Erro absoluto médio", + "Title": "Informações adicionais sobre o erro absoluto médio" }, "MeanSquaredError": { - "Name": "Mean squared error", - "Info": "The mean squared error is the average of the squares of the errors.", - "Short": "Mean sq. error", - "Title": "Additional information on mean squared error" + "Name": "Erro quadrático médio", + "Info": "O erro quadrático médio é a média dos quadrados dos erros.", + "Short": "Erro quadrático médio", + "Title": "Informações adicionais sobre o Erro quadrático médio" }, "Precision": { - "Name": "Precision score", - "Info": "The precision is the ratio of true positives over all predicted positives.", - "Short": "Precision", - "Title": "Additional information on precision" + "Name": "Pontuação de precisão", + "Info": "A precisão é a proporção de verdadeiros positivos sobre todos os positivos previstos.", + "Short": "Precisão", + "Title": "Informações adicionais sobre precisão" }, "Recall": { - "Name": "Recall score", - "Info": "The recall is the ratio of true positives over all actual positives.", - "Short": "Recall", - "Title": "Additional information on recall" + "Name": "Pontuação de revocação", + "Info": "A revocação é a proporção de verdadeiros positivos em relação a todos os positivos reais.", + "Short": "Revocação", + "Title": "Informações adicionais sobre a revocação" }, "MacroPrecision": { - "Name": "Macro averaged precision score", - "Info": "The macro averaged precision is the ratio of true positives over all predicted positives computed independently per class and averaged.", - "Short": "Macro precision", - "Title": "Additional information on macro averaged precision" + "Name": "Classificação de precisão média da macro", + "Info": "A precisão média da macro é a proporção de verdadeiros positivos em relação a todos os positivos previstos calculados de forma independente por classe e média.", + "Short": "Precisão de macros", + "Title": "Informações adicionais sobre a precisão média de macros" }, "MicroPrecision": { - "Name": "Micro averaged precision score", - "Info": "The micro averaged precision is the ratio of true positives over all predicted positives aggregated for all classes.", - "Short": "Micro precision", - "Title": "Additional information on micro averaged precision" + "Name": "Pontuação de precisão média micro", + "Info": "A precisão média micro é a proporção de verdadeiros positivos em relação a todos os positivos previstos agregados para todas as classes.", + "Short": "Micro precisão", + "Title": "Informações adicionais sobre precisão micro-média" }, "MacroRecall": { - "Name": "Macro averaged recall score", - "Info": "The macro averaged recall is the ratio of true positives over all actual positives computed independently per class and averaged.", - "Short": "Macro recall", - "Title": "Additional information on macro averaged recall" + "Name": "Média de macros de revocação", + "Info": "A média de revocação de macros é a proporção de verdadeiros positivos em relação a todos os positivos reais calculados de forma independente por classe e média.", + "Short": "Revocação de macros", + "Title": "Informação adicional sobre a recuperação média de macros" }, "MicroRecall": { - "Name": "Micro averaged recall score", - "Info": "The micro averaged recall is the ratio of true positives over all actual positives aggregated for all classes.", - "Short": "Micro recall", - "Title": "Additional information on micro averaged recall" + "Name": "Classificação de receção média micro", + "Info": "A receção média micro é a proporção de verdadeiros positivos em relação a todos os positivos reais agregados para todas as classes.", + "Short": "Micro-revocação", + "Title": "Informações adicionais sobre a receção média de micro dados" }, "MacroF1Score": { - "Name": "Macro averaged F1 score", - "Info": "The macro averaged F1 score is the harmonic mean of the macro averaged precision and recall metrics.", - "Short": "Macro F1 score", - "Title": "Additional information on macro averaged F1 score" + "Name": "Pontuação F1 média macro", + "Info": "A pontuação F1 média macro é a média harmónica das métricas de média macro de precisão e revocação.", + "Short": "Pontuação F1 macro", + "Title": "Informações adicionais sobre a pontuação F1 média macro" }, "MicroF1Score": { - "Name": "Micro averaged F1 score", - "Info": "The micro averaged F1 score is the harmonic mean of the micro averaged precision and recall metrics.", - "Short": "Micro F1 score", - "Title": "Additional information on micro averaged F1 score" + "Name": "Pontuação F1 média micro", + "Info": "A pontuação F1 média micro é a média harmónica das métricas de média micro de precisão e revocação.", + "Short": "Pontuação F1 micro", + "Title": "Informações adicionais sobre a pontuação F1 média micro" }, "MeanAveragePrecision": { - "Name": "Mean average precision score", - "Info": "Mean average precision for object detection models is the average of AP (average precision) across all classes. This evaluates the robustness of your object detection model and encapsulates the tradeoff between precision and recall.", - "Short": "Mean avg precision", - "Title": "Additional information on mean average precision score" + "Name": "Média aritmética da classificação de precisão média", + "Info": "A precisão média dos modelos de deteção de objetos é a média de AP (precisão média) de todas as classes. Avalia a robustez do seu modelo de deteção de objetos e encapsula o compromisso entre precisão e revocação.", + "Short": "Média aritmética da precisão média", + "Title": "Informações adicionais sobre a média aritmética da classificação de precisão média" }, "AveragePrecision": { - "Name": "Average precision score", - "Info": "Average precision for object detection models is calculated for a selected class.", - "Short": "Avg precision", - "Title": "Additional information on average precision score" + "Name": "Classificação de precisão média", + "Info": "A precisão média dos modelos de deteção de objetos é calculada para uma classe selecionada.", + "Short": "Precisão média", + "Title": "Informações adicionais sobre a classificação de precisão média" }, "AverageRecall": { - "Name": "Average recall score", - "Info": "Average recall for object detection models is calculated for a selected class.", - "Short": "Avg recall", - "Title": "Additional information on average recall score" + "Name": "Classificação de revocação média", + "Info": "A revocação média dos modelos de deteção de objetos é calculada para uma classe selecionada.", + "Short": "Revocação média", + "Title": "Informações adicionais sobre a classificação de revocação média" }, "metricName": "Nome da métrica", "metricValue": "Valor da métrica" }, "MetricSelector": { "selectorLabel": "Selecionar métrica", - "feature1SelectorLabel": "Rows: Feature 1", - "feature2SelectorLabel": "Columns: Feature 2" + "feature1SelectorLabel": "Linhas: Funcionalidade 1", + "feature2SelectorLabel": "Colunas: Funcionalidade 2" }, "Navigation": { "cohortSaved": "A nova coorte foi guardada! Veja a lista de Coortes nas definições de Coorte.", @@ -427,9 +427,9 @@ "defaultLabelCopy": "Todas as cópias de dados" }, "TreeView": { - "ariaLabel": "Interactive chart", - "disabledArialLabel": "Disabled interactive chart", - "treeMapInfoTitle": "Additional information on tree map", + "ariaLabel": "Gráfico interativo", + "disabledArialLabel": "Gráfico interativo desativado", + "treeMapInfoTitle": "Informações adicionais sobre o mapa de árvore", "treeDescription": "A visualização em árvore utiliza as informações mútuas entre cada funcionalidade e o erro para separar melhor as instâncias de erro das instâncias de êxito hierarquicamente nos dados. Isto simplifica o processo de deteção e realce de padrões de falha comuns. Para encontrar padrões de falha importantes, procure nós com uma cor vermelha mais forte (ou seja, taxa de erros elevada) e uma linha de preenchimento superior (ou seja, cobertura de erros elevada). Para editar a lista de funcionalidades que estão a ser utilizadas na árvore, clique em \"Lista de funcionalidades\". Utilize o menu pendente \"selecionar métrica\" para saber mais sobre o desempenho dos nós de erro e êxito. Tenha em atenção que esta seleção de métricas não afetará a forma como a sua árvore de erros é gerada.", "treeStaticDescription": "A visualização em árvore utiliza as informações mútuas entre cada funcionalidade e o erro para separar melhor as instâncias de erro das instâncias de êxito hierarquicamente nos dados. Isto simplifica o processo de deteção e realce de padrões de falha comuns. Para encontrar padrões de falha importantes, procure nós com uma cor vermelha mais forte (ou seja, taxa de erros elevada) e uma linha de preenchimento superior (ou seja, cobertura de erros elevada). Para ver a lista de funcionalidades utilizadas na criação desta árvore de erros, clique em \"Lista de funcionalidades\". Utilize o menu pendente \"selecionar métrica\" para saber mais sobre o desempenho dos nós de erro e êxito. Tenha em atenção que esta seleção de métricas não afetará a forma como a sua árvore de erros é gerada.", "disabledWarning": "O treemap de erros está desativado, a menos que a coorte global seja mudada para representar \"Todos os dados\" devido ao treemap ser gerado para o conjuntos de dados completo. Mude novamente para o conjuntos de dados completo para ver o treemap de erros." @@ -764,7 +764,7 @@ "countHelperText": "Um histograma do número de pontos", "ditherLabel": "Deve compor", "groupByCohort": "Agrupar por grupo", - "logarithmicScaling": "Enable logarithmic scaling", + "logarithmicScaling": "Ativar o dimensionamento logarítmico", "numOfBins": "Número de discretizações", "selectClass": "Selecionar classe", "selectFeature": "Selecionar funcionalidade", @@ -788,7 +788,7 @@ "importancePrefix": "Importância", "numberOfDatapoints": "Número de pontos de dados", "rowIndex": "Índice de linha", - "absoluteIndex": "Absolute index", + "absoluteIndex": "Índice absoluto", "xValue": "Valor de X", "yValue": "Valor de Y" }, @@ -816,12 +816,12 @@ }, "CohortEditor": { "columns": { - "index": "Index", - "dataset": "Dataset", - "predictedY": "Predicted Y", - "trueY": "True Y", - "classificationOutcome": "Classification outcome", - "regressionError": "Error" + "index": "Índice", + "dataset": "Conjunto de dados", + "predictedY": "Y Previsto", + "trueY": "Y Verdadeiro", + "classificationOutcome": "Resultado da classificação", + "regressionError": "Erro" }, "TreatAsCategorical": "Tratar como categórica", "addFilter": "Adicionar filtro", @@ -846,8 +846,8 @@ "save": "Guardar", "saveAndSwitch": "Guardar e mudar", "selectFilter": "Selecionar filtro", - "noFiltersApplied": "No filters applied", - "filterAdded": "Filter added" + "noFiltersApplied": "Nenhum filtro aplicado", + "filterAdded": "Filtro adicionado" }, "Columns": { "classificationOutcome": "Resultado da classificação", @@ -857,8 +857,8 @@ "falsePositive": "Falso positivo", "none": "Contagem", "predictedProbabilities": "Probabilidades de predição", - "predictedLabels": "Predicted labels", - "trueLabels": "True labels", + "predictedLabels": "Etiquetas previstas", + "trueLabels": "Etiquetas verdadeiras", "regressionError": "Erro de regressão", "trueNegative": "Verdadeiro negativo", "truePositive": "Verdadeiro positivo", @@ -879,7 +879,7 @@ "aggregatePlots": "Diagramas agregados", "chartType": "Tipo de gráfico", "colorValue": "Valor da cor", - "infoTitle": "Additional information on data analysis chart view", + "infoTitle": "Informações adicionais sobre a vista de gráfico de análise de dados", "helperText": "Crie coortes de conjuntos de dados para analisar estatísticas de conjuntos de dados através de filtros como o resultado previsto, funcionalidades de conjuntos de dados e grupos de erros. Saiba mais sobre a apresentação sobre/sub no seu conjuntos de dados.", "individualDatapoints": "Pontos de dados individuais", "missingParameters": "Este separador requer que um conjunto de dados de avaliação seja fornecido.", @@ -968,10 +968,10 @@ "dependencePlotHelperText": "Este gráfico de dependência mostra a relação dos valores de uma funcionalidade com os valores de importância da funcionalidade correspondentes.", "dependencePlotTitle": "Gráficos de dependência", "helperText": "Explore as funcionalidades mais importantes de tipo top k que afetam as previsões gerais do seu modelo (também designadas por explicação global). Utilize o controlo de deslize para mostrar as importâncias das funcionalidades por ordem descendente. As importâncias das funcionalidades das coortes são apresentadas lado a lado e podem ser desativadas ao selecionar a coorte na legenda. Clique em qualquer uma das funcionalidades no gráfico para ver um gráfico de densidade abaixo da forma como os valores da funcionalidade selecionada afetam a predição.", - "infoTitle": "Additional information on aggregate feature importance", + "infoTitle": "Informações adicionais sobre a importância da funcionalidade agregada", "legendHelpText": "Ative e desative grupos no gráfico ao clicar nos itens da legenda.", "missingParameters": "Este separador requer que o parâmetro de importância da funcionalidade local seja fornecido.", - "sortByCohort": "Sort by cohort", + "sortByCohort": "Ordenar por coorte", "sortBy": "Ordenar por ponto de dados", "topAtoB": "As {0} principais funcionalidades com base na importância", "viewDependencePlotFor": "Ver o gráfico de dependências para:", @@ -1014,15 +1014,15 @@ }, "Statistics": { "accuracy": "Precisão: {0}", - "bleuScore": "Bleu score: {0}", - "bertScore": "Bert score: {0}", - "exactMatchRatio": "Exact match ratio: {0}", - "rougeScore": "Rouge Score: {0}", + "bleuScore": "Pontuação Bleu: {0}", + "bertScore": "Pontuação Bert: {0}", + "exactMatchRatio": "Proporção de correspondências exatas: {0}", + "rougeScore": "Pontuação Rouge: {0}", "fnr": "Taxa de falsos negativos: {0}", "fpr": "Taxa de falsos positivos: {0}", - "hammingScore": "Hamming score: {0}", + "hammingScore": "Pontuação de Hamming: {0}", "meanPrediction": "Predição média {0}", - "meteorScore": "Meteor Score: {0}", + "meteorScore": "Pontuação Meteor: {0}", "mse": "Erro quadrático médio: {0}", "precision": "Precisão: {0}", "rSquared": "R²: {0}", @@ -1030,10 +1030,10 @@ "selectionRate": "Taxa de seleção: {0}", "mae": "Erro absoluto médio: {0}", "f1Score": "Pontuação F1: {0}", - "samples": "Sample size: {0}", - "meanAveragePrecision": "Mean average precision: {0}", - "averagePrecision": "Average precision: {0}", - "averageRecall": "Average recall: {0}" + "samples": "Tamanho da amostra: {0}", + "meanAveragePrecision": "Precisão média: {0}", + "averagePrecision": "Precisão média: {0}", + "averageRecall": "Revocação média: {0}" }, "ValidationErrors": { "addFilters": "Adicionar filtros", @@ -1141,29 +1141,29 @@ "InterpretText": { "View": { "interpretibilityDashboard": "Painel de interpretação", - "importantWords": "Show most Important Words", + "importantWords": "Mostrar Palavras Mais Importantes", "topFeatureList": "Análise da lista de características de topo", "allButton": "TODAS AS FUNCIONALIDADES", "negButton": "FUNCIONALIDADES NEGATIVAS", "posButton": "FUNCIONALIDADES POSITIVAS", - "legendText": "Positive scalar feature importances represent the extent that the words were important towards the classification of your selected label, and negative scalar feature importances represent words that encouraged your model away from your selected label.", - "legendTextForQA": "The left text box and the bar chart display the predictions of the model. The right text box shows the feature importance associated with a selected token. Positive feature importances represent the extent that the words were important towards marking the selected token as the starting/ending position of the answer.", + "legendText": "As importâncias das funcionalidades escalares positivas representam a medida em que as palavras foram importantes para a classificação da sua etiqueta selecionada, e as importâncias das funcionalidades escalares negativas representam as palavras que encorajaram o seu modelo a afastar-se da sua etiqueta selecionada.", + "legendTextForQA": "A caixa de texto à esquerda e o gráfico de barras apresentam as predições do modelo. A caixa de texto à direita mostra a importância da funcionalidade associada a um token selecionado. As importâncias positivas das funcionalidades representam a medida em que as palavras foram importantes para marcar o token selecionado como a posição inicial/final da resposta.", "label": "Etiqueta", "colon": ": ", - "startingPosition": "STARTING POSITION", - "endingPosition": "ENDING POSITION", - "predictedAnswer": "Predicted answer: ", - "trueAnswer": "True answer: ", - "inputs": "Inputs", - "outputs": "Outputs" + "startingPosition": "POSIÇÃO INICIAL", + "endingPosition": "POSIÇÃO FINAL", + "predictedAnswer": "Resposta prevista: ", + "trueAnswer": "Resposta verdadeira: ", + "inputs": "Entradas", + "outputs": "Saídas" }, "Legend": { "featureLegend": "LEGENDA DA FUNCIONALIDADE DE TEXTO", "posFeatureImportance": "IMPORTÂNCIA DA FUNCIONALIDADE POSITIVA", "negFeatureImportance": "IMPORTÂNCIA DA FUNCIONALIDADE NEGATIVA", - "cls": "CLS: start of the sentence", - "sep": "SEP: end of the sentence", - "selectedWord": "Selected word: " + "cls": "CLS: início da frase", + "sep": "SEP: fim da frase", + "selectedWord": "Palavra selecionada: " }, "BarChart": { "featureImportance": "IMPORTÂNCIA DA FUNCIONALIDADE" @@ -1171,55 +1171,55 @@ }, "InterpretVision": { "Cohort": { - "close": "Close", - "errorCohortName": "Please choose a unique cohort name.", - "errorNumSelected": "Please select at least one (1) item.", - "itemsSelectedSingular": "item selected", - "itemsSelectedPlural": "items selected", - "save": "Save cohort", - "saveAndClose": "Save and close", - "saveAndSwitch": "Save and switch", - "textField": "New cohort name", - "title": "Save new cohort" + "close": "Fechar", + "errorCohortName": "Escolha um nome de coorte exclusivo.", + "errorNumSelected": "Selecione pelo menos um (1) item.", + "itemsSelectedSingular": "item selecionado", + "itemsSelectedPlural": "itens selecionados", + "save": "Guardar coorte", + "saveAndClose": "Guardar e fechar", + "saveAndSwitch": "Guardar e mudar", + "textField": "Novo nome de coorte", + "title": "Guardar nova coorte" }, "Dashboard": { "allData": "Todos os Dados", - "columnOne": "Image", + "columnOne": "Imagem", "columnTwo": "Índice", "columnThree": "Y Verdadeiro", "columnFour": "Y Previsto", "columnFive": "Outros metadados", - "chooseObject": "Choose a detected object", - "examples": "examples", + "chooseObject": "Escolha um objeto detetado", + "examples": "exemplos", "filter": "Filtrar", - "indexLabel": "Image ", - "labelTypeDropdown": "Select label type", - "labelVisibilityDropdown": "Select labels to display", - "legendFailure": "failure", - "legendSuccess": "success", - "loading": "Computing explanation for index", - "multiselect": "Multiselect", - "notdefined": "object scenario not defined", - "objectSelect": "Object Selection", + "indexLabel": "Imagem ", + "labelTypeDropdown": "Selecionar tipo de etiqueta", + "labelVisibilityDropdown": "Selecionar as etiquetas a apresentar", + "legendFailure": "falha", + "legendSuccess": "êxito", + "loading": "Explicação de computação para o índice", + "multiselect": "Seleção múltipla", + "notdefined": "cenário de objeto não definido", + "objectSelect": "Seleção de Objetos", "pageSize": "Tamanho da página: ", - "panelTitle": "Selected instance", - "panelExplanation": "Explanation", - "panelInformation": "Information", - "predictedLabel": "Predicted label", - "predictedY": "Predicted: ", - "prefix": "Object: ", - "rows": "Rows: ", + "panelTitle": "Instância selecionada", + "panelExplanation": "Explicação", + "panelInformation": "Informações", + "predictedLabel": "Etiqueta prevista", + "predictedY": "Previsto: ", + "prefix": "Objeto: ", + "rows": "Linhas: ", "search": "Procurar", - "selectAll": "Select all", + "selectAll": "Selecionar tudo", "settings": "Definições", - "showAll": "Show all", + "showAll": "Mostrar tudo", "tabOptionFirst": "Vista do explorador de imagens", "tabOptionSecond": "Vista de tabela", - "tabOptionThird": "Class view", + "tabOptionThird": "Vista de classes", "thumbnailSize": "Tamanho da miniatura", "titleBarError": "Instâncias de erro", "titleBarSuccess": "Instâncias de êxito", - "trueY": "Ground truth: " + "trueY": "Verdade fundamental: " } }, "ModelAssessment": { @@ -1228,15 +1228,15 @@ "CalloutContent": "A adição de alguns componentes (vista de árvore de erro, mapa térmico de erro) irá permitir-lhe filtrar os dados a partir a coorte global que vê nos componentes abaixo.", "CalloutTitle": "Adicionar componente", "TabAddedMessage": { - "DataAnalysis": "Data analysis component added", - "FeatureImportances": "Feature importances component added", - "ErrorAnalysis": "Error analysis component added", - "Fairness": "Fairness component added", - "ModelOverview": "Model overview component added", - "CausalAnalysis": "Causal analysis component added", - "Counterfactuals": "Counterfactuals component added", - "Vision": "Vision data explorer component added", - "Forecasting": "Forecasting what-if component added" + "DataAnalysis": "Componente de análise de dados adicionado", + "FeatureImportances": "Componente de importâncias das funcionalidades adicionado", + "ErrorAnalysis": "Componente de análise de erros adicionado", + "Fairness": "Componente de equidade adicionado", + "ModelOverview": "Componente de descrição geral do modelo adicionado", + "CausalAnalysis": "Componente de análise causal adicionado", + "Counterfactuals": "Componente de hipóteses adicionado", + "Vision": "Componente do explorador de dados de visão adicionado", + "Forecasting": "Componente de teste de hipóteses de previsão adicionado" } }, "CausalAnalysis": { @@ -1264,7 +1264,7 @@ }, "CohortInformation": { "ShiftCohort": "Mudar coorte", - "SwitchTimeSeries": "Switch time series", + "SwitchTimeSeries": "Mudar de série temporal", "NewCohort": "Nova coorte", "DataPoints": "Número de pontos de dados", "DefaultCohort": " (predefinição)", @@ -1276,7 +1276,7 @@ "CohortSettingsTitle": "Definições do grupo" }, "ComponentNames": { - "ChartView": "Chart view", + "ChartView": "Vista de gráfico", "CausalAnalysis": "Análise causal", "Counterfactuals": "Counterfactuals", "DataAnalysis": "Análise de dados", @@ -1285,10 +1285,10 @@ "ErrorAnalysis": "Análise de erros", "Fairness": "Integridade", "FeatureImportances": "Importâncias das funcionalidades", - "Forecasting": "Forecasting", + "Forecasting": "Previsão", "ModelOverview": "Descrição geral do modelo", - "TableView": "Table view", - "VisionTab": "Vision data explorer" + "TableView": "Vista de tabela", + "VisionTab": "Explorador de dados de visão" }, "DashboardSettings": { "Content": "Esta lista mostra o esquema do dashboard. Pode filtrar os dados utilizando o componente de análise de erros, para ser visualizado nos componentes abaixo.", @@ -1446,17 +1446,17 @@ "CorrectPredictions": "Previsões corretas", "GlobalExplanation": "Importância da funcionalidade agregada", "IncorrectPredictions": "Previsões incorretas", - "InfoTitle": "Additional information on data analysis table view", - "IndividualFeatureTabular": "Select a datapoint by clicking on a datapoint (up to 5 datapoints) in the table to view their local feature importance values (local explanation) and individual conditional expectation (ICE) plots.", - "IndividualFeatureText": "Select a datapoint by clicking on a datapoint in the table to view the local feature importance values (local explanation).", + "InfoTitle": "Informações adicionais sobre a vista de tabela de análise de dados", + "IndividualFeatureTabular": "Selecione um ponto de dados ao clicar num ponto de dados (até cinco pontos de dados) na tabela para ver os valores de importância da funcionalidade local (explicação local) e os gráficos de expetativas condicionais individuais (ICE).", + "IndividualFeatureText": "Selecione um ponto de dados ao clicar num ponto de dados na tabela para ver os valores de importância da funcionalidade local (explicação local).", "LocalExplanation": "Importância individual da funcionalidade", "SelectionCounter": "{0}/{1} pontos de dados selecionados", "SelectionLimit": "Podem ser selecionados até 5 pontos de dados neste momento.", - "RowCheckboxAriaLabel": "Row checkbox", - "SelectionColumnAriaLabel": "Toggle selection" + "RowCheckboxAriaLabel": "Caixa de verificação de linha", + "SelectionColumnAriaLabel": "Alternar seleção" }, "IndividualFeatureImportanceView": { - "SmallInstanceSelection": "Instance selection" + "SmallInstanceSelection": "Seleção de instância" }, "MainMenu": { "DashboardSettings": "Configuração do dashboard", @@ -1472,44 +1472,44 @@ "ModelOverview": { "metrics": { "accuracy": { - "name": "Accuracy score", + "name": "Pontuação de precisão", "description": "A fração de pontos de dados classificados corretamente." }, "exactMatchRatio": { - "name": "Exact match ratio", - "description": "The ratio of instances classified correctly for every label." + "name": "Proporção de correspondências exatas", + "description": "A proporção de instâncias classificadas corretamente para cada etiqueta." }, "meteorScore": { - "name": "Meteor Score", - "description": "METEOR Score is calculated based on the harmonic mean of precision and recall, with recall weighted more than precision in question answering task." + "name": "Pontuação Meteor", + "description": "A Pontuação METEOR é calculada com base na média harmónica da precisão e da revocação, com a revocação a ter mais peso do que a precisão na tarefa de respostas a perguntas." }, "bleuScore": { - "name": "Bleu Score", - "description": "Bleu Score measures the ratio of words (and/or n-grams) in the machine generated text that appeared in the reference text in question answering task." + "name": "Pontuação Bleu", + "description": "A Pontuação BLEU mede a proporção de palavras (e/ou n-gramas) no texto gerado pelo computador que apareceram no texto de referência na tarefa de respostas a perguntas." }, "bertScore": { - "name": "Bert Score", - "description": "BERTScore focuses on computing semantic similarity between tokens of reference and machine generated text in question answering task." + "name": "Pontuação Bert", + "description": "A BERTScore concentra-se na semelhança semântica de computação entre tokens de referência e texto gerado por computador na tarefa de respostas a perguntas." }, "rougeScore": { - "name": "Rouge Score", - "description": "Rouge Score measures the ratio of words (and/or n-grams) in the reference text that appeared in the machine generated text in question answering task." + "name": "Pontuação Rouge", + "description": "A Pontuação Rouge mede a proporção de palavras (e/ou n-gramas) no texto de referência que apareceram no texto gerado pelo computador na tarefa de respostas a perguntas." }, "hammingScore": { - "name": "Hamming score", - "description": "The average ratio of labels classified correctly among those classified as 1 in multilabel task." + "name": "Pontuação de hamming", + "description": "A proporção média de etiquetas classificadas corretamente entre as classificadas como 1 na tarefa multietiqueta." }, "f1Score": { "name": "Pontuação F1", "description": "A pontuação F1 é a média harmônica da precisão e revocação." }, "f1ScoreMacro": { - "name": "Macro F1 score", - "description": "Macro F1 score is the harmonic mean of precision and recall for each class, with each class weighted equally." + "name": "Pontuação F1 macro", + "description": "A pontuação F1 macro é a média harmónica da precisão e da revocação de cada classe, com cada classe a ter o mesmo peso." }, "f1ScoreMicro": { - "name": "Micro F1 score", - "description": "Micro F1 score is the harmonic mean of precision and recall for each class, with each class weighted according to how many instances it contains." + "name": "Pontuação F1 micro", + "description": "A classificação F1 micro é a média harmónica da precisão e da revocação para cada classe, com cada classe ponderada de acordo com o número de instâncias que contém." }, "meanAbsoluteError": { "name": "Erro absoluto médio", @@ -1524,24 +1524,24 @@ "description": "A fração de pontos de dados classificados corretamente entre os classificados como 1." }, "precisionMacro": { - "name": "Macro Precision score", - "description": "The fraction of data points classified correctly among those classified as 1 for each class with each class weighted equally." + "name": "Pontuação de Precisão Macro", + "description": "A fração de pontos de dados classificados corretamente entre aqueles classificados como 1 para cada classe, com cada classe a ter o mesmo peso." }, "precisionMicro": { - "name": "Micro Precision score", - "description": "The fraction of data points classified correctly among those classified as 1 for each class with each class weighted according to how many instances it contains." + "name": "Pontuação de Precisão micro", + "description": "A fração de pontos de dados classificados corretamente entre aqueles classificados como 1 para cada classe, com cada classe ponderada de acordo com o número de instâncias que contém." }, "recall": { "name": "Pontuação de revocação", "description": "A fração de pontos de dados classificados corretamente entre aqueles cuja etiqueta verdadeira é 1. Nomes alternativos: taxa de verdadeiros positivos, sensibilidade." }, "recallMacro": { - "name": "Macro Recall score", - "description": "The fraction of data points classified correctly among those whose true label is 1 for each class with each class weighted equally." + "name": "Pontuação de Revocação Macro", + "description": "A fração de pontos de dados classificados corretamente entre aqueles cuja etiqueta verdadeira é 1 para cada classe, com cada classe a ter o mesmo peso." }, "recallMicro": { - "name": "Micro Recall score", - "description": "The fraction of data points classified correctly among those whose true label is 1 for each class with each class weighted according to how many instances it contains." + "name": "Pontuação de Revocação micro", + "description": "A fração de pontos de dados classificados corretamente entre aqueles cuja etiqueta verdadeira é 1 para cada classe, com cada classe ponderada de acordo com o número de instâncias que contém." }, "falsePositiveRate": { "name": "Taxa de falsos positivos", @@ -1560,32 +1560,32 @@ "description": "A média de todas as predições." }, "meanAveragePrecision": { - "name": "Mean Average Precision score", - "description": "Mean average precision for object detection models is the average of AP (average precision) across all classes. This evaluates the robustness of your object detection model and encapsulates the tradeoff between precision and recall." + "name": "Pontuação Média de Precisão", + "description": "A precisão média dos modelos de deteção de objetos é a média de AP (precisão média) de todas as classes. Avalia a robustez do seu modelo de deteção de objetos e encapsula o compromisso entre precisão e revocação." }, "averagePrecision": { - "name": "Average Precision score", - "description": "Average precision for object detection models is calculated for a selected class." + "name": "Pontuação Média de Precisão", + "description": "A precisão média dos modelos de deteção de objetos é calculada para uma classe selecionada." }, "averageRecall": { - "name": "Average Recall score", - "description": "Average recall for object detection models is calculated for a selected class." + "name": "Pontuação média de Revocação", + "description": "A revocação média dos modelos de deteção de objetos é calculada para uma classe selecionada." }, "fairnessMetricDifference": "Diferença", "fairnessMetricRatio": "Rácio" }, "metricsDropdown": "Métrica(s)", - "metricsTypeDropdown": "Aggregate method", + "metricsTypeDropdown": "Método de agregação", "metricTypes": { "macro": "Macro", "micro": "Micro" }, - "classSelectionDropdown": "Select class(es)", + "classSelectionDropdown": "Selecionar classe(s)", "iouThresholdDropdown": { - "name": "IoU Threshold", - "description": "Intersection over Union quantifies the degree of overlap between the prediction and ground truth bounding box of a detected object in an image. For example, setting an IoU threshold of 70% means that a prediction with greater than 70% overlap with ground truth is True, thus influencing the definition of prediction correctness and calculation of other performance metrics.", + "name": "Limiar de IoU", + "description": "A interseção sobre a União (IoU) quantifica o grau de sobreposição entre a predição e a caixa delimitadora da verdade fundamental de um objeto detetado numa imagem. Por exemplo, definir um limiar de IoU de 70% significa que uma predição com uma sobreposição superior a 70% com a verdade fundamental é Verdadeira, influenciando assim a definição de precisão de predição e o cálculo de outras métricas de desempenho.", "iconId": "iouThresholdIconId", - "title": "Learn about the IoU threshold" + "title": "Saiba mais sobre o limiar de IoU" }, "notAvailable": "N/D", "countColumnHeader": "Tamanho da amostra", @@ -1597,14 +1597,14 @@ "featuresDropdown": "Funcionalidade(s)", "metricChartDropdownSelectionHeader": "Métrica", "probabilityForClassSelectionHeader": "Probabilidade para a classe", - "targetSelectionHeader": "Target", + "targetSelectionHeader": "Destino", "metricSelectionDropdownPlaceholder": "Selecione métricas para comparar as suas coortes.", - "classSelectionDropdownPlaceholder": "Select class name for class-based analysis.", + "classSelectionDropdownPlaceholder": "Selecione o nome da classe para a análise baseada em classes.", "featureSelectionDropdownPlaceholder": "Selecione as funcionalidades a utilizar para uma análise baseada em funcionalidades.", "probabilityDistributionPivotItem": "Distribuição de probabilidades", - "regressionDistributionPivotItem": "Target distribution", + "regressionDistributionPivotItem": "Distribuição de destino", "metricsVisualizationsPivotItem": "Visualizações de métricas", - "confusionMatrixPivotItem": "Confusion matrix", + "confusionMatrixPivotItem": "Matriz de confusão", "disaggregatedAnalysisFeatureSelectionPlaceholder": "Selecione as funcionalidades para gerar a análise baseada em funcionalidades.", "tableCountTooltip": "A coorte {0} contém {1} instâncias.", "tableMetricTooltip": "O {0} do modelo na coorte {1} é {2}", @@ -1615,36 +1615,36 @@ "metricSelectionButton": "Escolher métrica", "cohortSelectionButton": "Escolher coortes", "probabilityLabelSelectionButton": "Selecionar etiqueta", - "regressionTargetSelectionButton": "Choose target", + "regressionTargetSelectionButton": "Escolher destino", "selectAllCohortsOption": "Selecionar tudo", "other": "Outro", "BoxPlot": { "outlierProbability": "probabilidade", "outlierLabel": "Valores Atípicos", "boxPlotSeriesLabel": "Gráfico de Caixas", - "lowerWhisker": "Lower whisker", - "upperWhisker": "Upper whisker", - "median": "Median", - "lowerQuartile": "Lower quartile", - "upperQuartile": "Upper quartile" + "lowerWhisker": "Whisker mínimo", + "upperWhisker": "Whisker máximo", + "median": "Mediana", + "lowerQuartile": "Quartil inferior", + "upperQuartile": "Quartil superior" }, "chartConfigApply": "Aplicar", "chartConfigCancel": "Cancelar", "chartConfigDatasetCohortSelectionPlaceholder": "Selecionar coortes de conjunto de dados", "chartConfigFeatureBasedCohortSelectionPlaceholder": "Selecionar coortes baseadas em funcionalidades", "confusionMatrix": { - "confusionMatrixCohortSelectionLabel": "Select dataset cohort", - "confusionMatrixClassSelectionLabel": "Select classes", - "confusionMatrixClassMinSelectionError": "Select at least {0} classes to visualize the confusion matrix.", - "confusionMatrixClassMaxSelectionError": "Select at most {0} classes to visualize the confusion matrix.", - "confusionMatrixClassSelectionDefaultPlaceholder": "Choose classes", - "confusionMatrixHeatmapTooltip": "{0} datapoints should be {1}, predicted to be {2}", - "confusionMatrixYAxisLabel": "True Class", - "confusionMatrixXAxisLabel": "Predicted Class", - "class": "Class" + "confusionMatrixCohortSelectionLabel": "Selecionar coorte de conjunto de dados", + "confusionMatrixClassSelectionLabel": "Selecionar classes", + "confusionMatrixClassMinSelectionError": "Selecione, pelo menos, {0} classes para visualizar a matriz de confusão.", + "confusionMatrixClassMaxSelectionError": "Selecione, no máximo, {0} classes para visualizar a matriz de confusão.", + "confusionMatrixClassSelectionDefaultPlaceholder": "Escolher classes", + "confusionMatrixHeatmapTooltip": "{0} pontos de dados devem ser {1} e estão previstos ser {2}", + "confusionMatrixYAxisLabel": "Classe Verdadeira", + "confusionMatrixXAxisLabel": "Classe Prevista", + "class": "Classe" }, "nA": "N/D", - "disaggregatedAnalysisBaseCohortDisclaimer": "The cohorts in the following feature-based analysis are based on the global cohort, {0}.", + "disaggregatedAnalysisBaseCohortDisclaimer": "As coortes na seguinte análise baseada em funcionalidades baseiam-se na coorte global, {0}.", "disaggregatedAnalysisBaseCohortWarning": "Ao contrário da {0}coorte, {1} inclui filtros. Como consequência, captura apenas um subconjunto de todo o conjunto de dados e as informações podem não se generalizar para o conjunto de dados completo.", "probabilitySplineChartToggleLabel": "Utilizar gráfico de curva polinomial", "countAxisLabel": "Contagem", @@ -1674,76 +1674,76 @@ "flyoutDescription": "Pode optar por visualizar coortes de conjuntos de dados ou coortes de caraterística. Se as coortes de caraterística não estiverem disponíveis, tem de selecionar primeiro uma ou mais caraterísticas na vista de coortes de caraterística. Em seguida, são geradas coortes de caraterística e pode selecioná-las aqui." }, "regressionTargetOptions": { - "predictedY": "Predicted Y", - "trueY": "True Y", - "error": "Error" + "predictedY": "Y Previsto", + "trueY": "Y Verdadeiro", + "error": "Erro" }, "topLevelDescription": "Avalie o desempenho do seu modelo ao explorar a distribuição dos seus valores de predição e os valores das suas métricas de desempenho do modelo. Utilize o separador \"Coortes de conjunto de dados\" para investigar o seu modelo ao observar uma análise comparativa do seu desempenho em diferentes coortes de conjunto de dados pré-criadas ou criadas recentemente. Utilize as \"Coortes de funcionalidades\" para investigar o seu modelo ao observar uma análise comparativa do seu desempenho em subcoortes de funcionalidades sensíveis/não sensíveis. (por exemplo, desempenho em diferentes géneros, níveis de rendimento).", - "infoTitle": "Additional information on model overview", + "infoTitle": "Informações adicionais sobre a de visão geral do modelo", "visualDisplayToggleLabel": "Mostrar mapa térmico", "featureBasedViewDescription": "Selecione até duas funcionalidades para ver a discriminação do desempenho do modelo entre coortes baseadas em funcionalidades (se estiver selecionada uma funcionalidade) ou coortes intersecionais (se forem selecionadas duas funcionalidades)." }, "TableViewTab": { - "Heading": "View the dataset in a table format for all features and rows." + "Heading": "Ver o conjunto de dados num formato de tabela para todas as funcionalidades e linhas." } }, "Forecasting": { - "target": "Target", - "whatIfForecastingHeader": "What-if analysis", - "forecastHeader": "Forecast analysis", - "whatIfForecastingDescription": "What-if allows you to perturb features for your entire time series and observe how the model's forecast changes.", - "whatIfForecastingChooseTimeSeries": "To start, choose a time series from the options below.", - "forecastDescription": "Forecast analysis compares your model's forecast to the actual values of your time series. To enable what-if analysis, provide a dataset with features.", - "timeSeries": "Time series", - "selectTimeSeries": "Select a time series.", - "singleTimeSeries": "The dataset contains only a single time series '{0}' which has been selected by default.", - "trueY": "True Y", - "baselinePrediction": "Baseline prediction", - "forecastComparisonHeader": "Compare What-if Forecasts", - "forecastComparisonChartTitle": "Forecasts", - "forecastComparisonChartTimeAxisLabel": "Time", + "target": "Destino", + "whatIfForecastingHeader": "Análise de hipóteses", + "forecastHeader": "Análise de previsão", + "whatIfForecastingDescription": "O teste de hipóteses permite-lhe perturbar funcionalidades para toda a sua série temporal e observar como a previsão do modelo muda.", + "whatIfForecastingChooseTimeSeries": "Para começar, escolha uma série temporal a partir das opções abaixo.", + "forecastDescription": "A análise de previsão compara a previsão do seu modelo com os valores reais da sua série temporal. Para ativar a análise de hipóteses, forneça um conjunto de dados com funcionalidades.", + "timeSeries": "Série temporal", + "selectTimeSeries": "Selecionar uma série temporal.", + "singleTimeSeries": "O conjunto de dados contém apenas uma única série temporal “{0}” que foi selecionada por predefinição.", + "trueY": "Y Verdadeiro", + "baselinePrediction": "Predição de linha de base", + "forecastComparisonHeader": "Comparar Previsões de Testes de Hipóteses", + "forecastComparisonChartTitle": "Previsões", + "forecastComparisonChartTimeAxisLabel": "Tempo", "Transformations": { - "multiply": "multiply", - "divide": "divide", - "add": "add", - "subtract": "subtract", - "change": "change to" + "multiply": "multiplicar", + "divide": "dividir", + "add": "adicionar", + "subtract": "subtrair", + "change": "alterar para" }, "TransformationCreation": { - "title": "Create what-if scenario", - "nameLabel": "What-if scenario name", - "featureInstructions": "Choose a feature to perturb.", - "operationInstructions": "Choose an operation to apply to the feature.", - "operationDropdownHeader": "Operation", - "featureDropdownHeader": "Feature", - "valueSpinButtonHeader": "Value", - "scenarioNamingInstructionsPlaceholder": "Enter a unique name", - "scenarioNamingInstructions": "Enter a name for your what-if scenario.", - "scenarioNamingCollisionMessage": "This name exists already. Please enter a unique name.", - "scenarioNamingLengthMessage": "The name must be between 1 and 50 characters. The actual length is {0}.", - "scenarioNamingInvalidCharactersMessage": "The name can only contain alphanumeric characters, whitespaces, dashes, or underscores, and needs to start with an alphanumeric character.", - "valueErrorMessage": "For operation {0} please select a value other than {1}.", - "invalidCombinationErrorMessage": "This is identical to an existing what-if scenario. Please change the feature, operation, or value.", - "addTransformationButton": "Add Transformation", - "divisionAndMultiplicationBy": "by" + "title": "Criar cenário de teste de hipóteses", + "nameLabel": "Nome do cenário de teste de hipóteses", + "featureInstructions": "Escolha uma funcionalidade para perturbar.", + "operationInstructions": "Escolha uma operação a aplicar à funcionalidade.", + "operationDropdownHeader": "Operação", + "featureDropdownHeader": "Funcionalidade", + "valueSpinButtonHeader": "Valor", + "scenarioNamingInstructionsPlaceholder": "Introduza um nome exclusivo", + "scenarioNamingInstructions": "Introduza um nome para o seu cenário de teste de hipóteses.", + "scenarioNamingCollisionMessage": "Este nome já existe. Introduza um nome exclusivo.", + "scenarioNamingLengthMessage": "O nome tem de ter entre 1 e 50 carateres. O comprimento real é {0}.", + "scenarioNamingInvalidCharactersMessage": "O nome só pode conter carateres alfanuméricos, espaços em branco, travessões ou carateres de sublinhado e tem de começar por um caráter alfanumérico.", + "valueErrorMessage": "Para a operação {0}, selecione um valor diferente de {1}.", + "invalidCombinationErrorMessage": "Isto é idêntico a um cenário de teste de hipóteses existente. Altere a funcionalidade, a operação ou o valor.", + "addTransformationButton": "Adicionar Transformação", + "divisionAndMultiplicationBy": "por" }, "TransformationTable": { - "nameColumnHeader": "Name", - "methodColumnHeader": "Method", - "divisionAndMultiplicationBy": "by ", - "header": "What-if Forecasts ({0})" + "nameColumnHeader": "Nome", + "methodColumnHeader": "Método", + "divisionAndMultiplicationBy": "por ", + "header": "Previsões de Teste de Hipóteses ({0})" }, "TimeSeries": { - "apply": "Apply", - "cancel": "Cancel", - "cohortList": "Time series list", - "selectCohort": "Select a time series", - "shiftCohort": "Switch time series", - "shiftCohortDescription": "Select a time series from the time series list. Apply the time series to the dashboard." + "apply": "Aplicar", + "cancel": "Cancelar", + "cohortList": "Lista de séries temporais", + "selectCohort": "Selecionar uma série temporal", + "shiftCohort": "Mudar de série temporal", + "shiftCohortDescription": "Selecione uma série temporal na lista de séries temporais. Aplique a série temporal ao dashboard." }, "TimeSeriesSettings": { - "CohortSettingsDescription": "Time series are pre-defined based on time series identifying columns.", - "CohortSettingsTitle": "Time series settings" + "CohortSettingsDescription": "As séries temporais são pré-definidas com base nas colunas de identificação de séries temporais.", + "CohortSettingsTitle": "Definições de série temporal" } } } \ No newline at end of file diff --git a/libs/localization/src/lib/en.sv.json b/libs/localization/src/lib/en.sv.json index 73daaef39f..605d95f14f 100644 --- a/libs/localization/src/lib/en.sv.json +++ b/libs/localization/src/lib/en.sv.json @@ -3,26 +3,26 @@ "close": "Stänga", "tooltipButton": "Knappbeskrivning", "identityFeature": "Identitetsfunktion", - "infoTitle": "Additional information", + "infoTitle": "Ytterligare information", "spinButton": "Spin", - "editButton": "Edit", - "decreaseValue": "Decrease value", - "increaseValue": "Increase value", - "decreaseValueByOne": "Decrease value by 1", - "increaseValueByOne": "Increase value by 1", - "loading": "Loading..." + "editButton": "Redigera", + "decreaseValue": "Minska värde", + "increaseValue": "Öka värde", + "decreaseValueByOne": "Minska värdet med 1", + "increaseValueByOne": "Öka värdet med 1", + "loading": "Läser in..." }, "ChartContextMenu": { - "hideData": "Hide data table", - "viewData": "View data table", - "viewInFullScreen": "View in full screen", - "printChart": "Print chart", - "downloadCSV": "Download CSV", - "downloadPNG": "Download PNG image", - "downloadJPEG": "Download JPEG image", - "downloadPDF": "Download PDF document", - "downloadSVG": "Download SVG vector image", - "downloadXLS": "Download XLS" + "hideData": "Dölj datatabell", + "viewData": "Visa datatabell", + "viewInFullScreen": "Visa i helskärmsläge", + "printChart": "Skriva ut diagram", + "downloadCSV": "Hämta CSV", + "downloadPNG": "Ladda ned PNG-bild", + "downloadJPEG": "Ladda ned JPEG-bild", + "downloadPDF": "Ladda ned PDF-dokument", + "downloadSVG": "Ladda ned SVG-vektorbild", + "downloadXLS": "Ladda ned XLS" }, "CausalAnalysis": { "AggregateView": { @@ -39,7 +39,7 @@ "description": "Orsaksanalys svarar \"Vad händer om\"-frågor om hur verkliga resultat skulle ha ändrats under andra principval, såsom en annan prisstrategi för en produkt eller en alternativprincip för en patient. Till skillnad från modellförutsägelser som identifierar viktiga korrelationsmönster hjälper de här verktygen dig att identifiera de viktigaste orsakssamband som direkt påverkar ditt resultat av intresse. Dessa modeller identifierar orsakseffekten för en funktion (vanligtvis kallad “behandling”) och håller andra confounder-funktioner konstanta. För bästa resultat, se till att hela datamängden innehåller alla tillgängliga funktioner som kan korreleras med resultatet som confounders.", "directAggregate": "Direkt aggregerad orsakseffekt för varje behandling med 95 % konfidensintervall", "here": "här", - "infoTitle": "Additional information on aggregated causal effects", + "infoTitle": "Ytterligare information om aggregerade kausala effekter", "lasso": "En lasso (eller logistisk regression om y är binär) passade för att förutse y från X [-i], och en lasso (eller logistisk regression om X[i] är kategorisk) passade för att förutsäga X[i] från Χ [-i]. Orsakssambandet kan ses som genomsnittskorrelationen för återstående/oväntade variationer av de två förutsägelseaktiviteterna. Läs mer om dubbel maskininlärning", "unconfounding": "Vad är confounding-funktioner?" }, @@ -51,7 +51,7 @@ "description": "Enskilda orsakssamband kan underrätta anpassade åtgärder, till exempel riktad marknadsföring mot kunder eller en enskild behandlingsplan. Hur skulle en individ med en viss uppsättning funktioner reagera på en ändring av ett orsakssamband eller behandling? Orsakssambandet som används för att beräkna marginaländringarna i verkliga resultat för en viss individ om du ändrar nivån för en behandling. Med den här analysen kan du förstå hur verkliga resultat skulle ha ändrats under olika principval, till exempel en annan prisstrategi för en produkt eller en alternativ princip för en patient. Ange en behandling av intresse och observera hur det faktiska resultatet skulle ändras.", "directIndividual": "Direkt individuell orsakseffekt för varje behandling med 95 % konfidensintervall", "index": "Datapoint-index", - "infoTitle": "Additional information on individual causal what-if", + "infoTitle": "Ytterligare information om enskilda kausala konsekvensanalyser", "missingParameters": "Den här fliken kräver att en utvärderingsdatauppsättning anges.", "newOutcome": "Nytt resultat", "selectTreatment": "Välj behandling", @@ -85,7 +85,7 @@ "averageGainBinary": "Genomsnittligt vinst vid inställning av behandlingen {0} till dess baslinjevärde {1}.", "averageGainContinuous": "Genomsnittliga vinster med alternativa principer utan {0} behandling.", "header": "Dessa verktyg hjälper dig att skapa principer för framtida åtgärder. Du kan identifiera vilka delar av provupplevelsen som har störst svar på förändringar i orsakssamband, eller behandlingar, och skapa regler för att definiera vilka framtida populationer som ska riktas till särskilda åtgärder.", - "infoTitle": "Additional information on treatment policy", + "infoTitle": "Ytterligare information om behandlingspolicy", "nSample": "n = {0}", "noData": "Inga data" } @@ -116,8 +116,8 @@ "cancel": "Avbryt", "title": "Byt kohort", "subText": "Välj en kohort från kohort-listan. Tillämpa kohorten på instrumentpanelen.", - "selectCohort": "Select a cohort", - "cohortList": "Cohort list" + "selectCohort": "Välj en kohort", + "cohortList": "Kohortlista" }, "PreBuiltCohort": { "featureNameNotFound": "Funktionsnamnet hittades inte i datamängden", @@ -148,13 +148,13 @@ "predictedClass": "Förutsagd klass", "predictedValue": "Förutsagt värde" }, - "Size": "Size", - "loading": "Loading...", + "Size": "Storlek", + "loading": "Läser in...", "counterfactualEx": "Kontrafaktiskt ex. {0}", "counterfactualName": "Kontrafaktual namn för konsekvensgranskning", "createWhatIfCounterfactual": "Skapa kontrafaktual namn för konsekvensgranskning", "createCounterfactual": "Kontrafaktiskt", - "revertToBubbleChart": "View bubble chart", + "revertToBubbleChart": "Visa bubbeldiagram", "createOwn": "Skapa din egen kontrafaktiska villkorssats:", "currentClass": "Aktuell klass", "currentRange": "Aktuellt intervall", @@ -167,9 +167,9 @@ "listDescription": "Den här listan visar vilka datapunkter i det aktuella dataexemplet som har det största orsakssambandet med den valda behandlingen, baserat på alla funktioner som ingår i det uppskattade orsakssambandet. De fem vänstra kolumnerna rapporterar om behandlingen rekommenderas för observationen, den aktuella behandlingen, den uppskattade effekten av behandlingen (verkan av att tillämpa en behandling från en baslinje utan behandling av binära behandlingar eller ökning/minskning av behandlingsfunktionen med 10 % av den typiska behandlingsstorleken i provet: [dynamic: rapportera den numeriska ändringen av behandling vi använde]) och de nedre och övre konfidensintervallen (CI) för den här effekten. De återstående kolumnerna visar aktuell behandlingsstatus och andra funktioner för varje observation.", "localImportanceDescription": "De främsta rankade funktionerna i rad {0} att störa för att uppnå önskad modellförutsägelse. Baserat på konsekvensanalys för förutsägelse: {1}", "localImportanceSelectData": "Välj en datapunkt för att visa lokalt relevansdiagram", - "largeLocalImportanceSelectData": "Select a bubble, followed by a data point to view local importance chart", - "localImportanceFetchError": "There was an error while fetching the local importance data. Error details: {0} Please check the data used.", - "BubbleChartFetchError": "There was an error while fetching the data. Error details: {0} Please check the data used.", + "largeLocalImportanceSelectData": "Välj en bubbla, följt av en datapunkt för att visa det lokala prioritetsdiagrammet", + "localImportanceFetchError": "Ett fel uppstod när lokala prioritetsdata hämtades. Felinformation: {0} Kontrollera de data som används.", + "BubbleChartFetchError": "Ett fel uppstod när data hämtades. Felinformation: {0} Kontrollera de data som används.", "noData": "Inga data", "noFeatures": "Inga funktioner tillgängliga", "panelDescription": "Bläddra bland kontrafaktiska och skapa egna. Sök efter funktioner för att se föreslagna värden från en mängd olika kontrafaktiska exempel. Ange föreslaget kontrafaktiskt funktionsvärde genom att klicka på ange värdetext under varje kontrafaktisktnamn. Namnge ditt kontrafaktiska och spara det.", @@ -217,13 +217,13 @@ "subText": "Läs mer om den valda kohorten. Redigera kohortens namn. Ta bort den här kohorten." }, "FeatureList": { - "featureList": "Feature List", + "featureList": "Funktionslista", "apply": "Använda", "features": "Funktioner", "importances": "Relevanser", "treeMapDescription": "Om du vill träna om trädkartan markerar och sparar du funktionerna nedan. Funktionsrelevanser har beräknats med gemensam information med felet på de verkliga etiketterna. Använd det som riktlinje för träning av trädkartan.", "staticTreeMapDescription": "Visa de funktioner som användes för att träna trädkartan. Funktionsprioriteterna beräknades med ömsesidig information med felet på de sanna etiketterna.", - "searchResultMessage": "Results displayed out of {resultLength} for {searchValue}" + "searchResultMessage": "Resultat som visas av {resultLength} för {searchValue}" }, "TreeViewParameters": { "maximumDepth": "Maximalt djup", @@ -289,7 +289,7 @@ "disabledWarning": "Fel heatmap inaktiveras om inte den globala kohorten växlas till att representera Alla data på grund av att termisk karta genereras för den fullständiga datamängden. Växla tillbaka till den fullständiga datauppsättningen för att visa fel heatmap." }, "MatrixSummary": { - "heatMapInfoTitle": "Additional information on heat map", + "heatMapInfoTitle": "Ytterligare information om termisk karta", "heatMapDescription": "Med den termiska kartan kan du fokusera på specifika intersektionella funktionsfilter och beräkna uppdelade felfrekvenser. Börja med två datamängdsfunktioner att jämföra.", "heatMapStaticDescription": "Med termisk karta kan du fokusera på specifika intersektionella funktionsfilter och beräkna disaggregerade felfrekvenser. Upp till två funktioner måste väljas för att skapa en termisk karta via SDK innan du visar instrumentpanelen." }, @@ -305,108 +305,108 @@ }, "Metrics": { "AccuracyScore": { - "Name": "Accuracy score", - "Info": "The accuracy score represents the ratio of correct to total instances in the data.", - "Short": "Accuracy", - "Title": "Additional information on accuracy score" + "Name": "Noggrannhetspoäng", + "Info": "Noggrannhetspoängen representerar förhållandet mellan korrekta och totala instanser i data.", + "Short": "Noggrannhet", + "Title": "Ytterligare information om noggrannhetspoäng" }, "ErrorRate": { - "Name": "Error rate", - "Info": "The error rate represents the percentage of instances in the node for which the system has failed.", - "Short": "Error rate", - "Title": "Additional information on error rate" + "Name": "Felfrekvens", + "Info": "Felfrekvensen motsvarar procentandelen instanser i noden som systemet har misslyckats för.", + "Short": "Felfrekvens", + "Title": "Ytterligare information om felfrekvens" }, "F1Score": { - "Name": "F1 score", - "Info": "The F1 score is the harmonic mean of the precision and recall metrics.", - "Short": "F1 score", - "Title": "Additional information on F1 score" + "Name": "F1-poäng", + "Info": "F1-poängen är det bästa medelvärdet av precisions- och träffsäkerhetsmåtten.", + "Short": "F1-poäng", + "Title": "Ytterligare information om F1-poäng" }, "MeanAbsoluteError": { - "Name": "Mean absolute error", - "Info": "The mean absolute error is the average of the sum of the errors.", - "Short": "Mean abs. error", - "Title": "Additional information on mean absolute error" + "Name": "Genomsnittligt absolut fel", + "Info": "Det genomsnittliga absoluta felet är medelvärdet av summan av felen.", + "Short": "Genomsnittligt abs. fel", + "Title": "Ytterligare information om genomsnittligt absolut fel" }, "MeanSquaredError": { - "Name": "Mean squared error", - "Info": "The mean squared error is the average of the squares of the errors.", - "Short": "Mean sq. error", - "Title": "Additional information on mean squared error" + "Name": "Genomsnittligt kvadratfel", + "Info": "Det genomsnittliga kvadratfelet är medelvärdet av kvadraterna för felen.", + "Short": "Genomsnittligt sq. fel", + "Title": "Ytterligare information om genomsnittligt kvadratfel" }, "Precision": { - "Name": "Precision score", - "Info": "The precision is the ratio of true positives over all predicted positives.", + "Name": "Precisionspoäng", + "Info": "Precisionen är förhållandet mellan sanna positiva identifieringar och alla förutsagda positiva identifieringar.", "Short": "Precision", - "Title": "Additional information on precision" + "Title": "Ytterligare information om precision" }, "Recall": { - "Name": "Recall score", - "Info": "The recall is the ratio of true positives over all actual positives.", - "Short": "Recall", - "Title": "Additional information on recall" + "Name": "Träffsäkerhetspoäng", + "Info": "Träffsäkerheten är förhållandet mellan sanna positiva identifieringar och faktiska positiva identifieringar.", + "Short": "Träffsäkerhet", + "Title": "Ytterligare information om träffsäkerheten" }, "MacroPrecision": { - "Name": "Macro averaged precision score", - "Info": "The macro averaged precision is the ratio of true positives over all predicted positives computed independently per class and averaged.", - "Short": "Macro precision", - "Title": "Additional information on macro averaged precision" + "Name": "Makrots genomsnittliga precisionspoäng", + "Info": "Den genomsnittliga makroprecisionen är förhållandet mellan sanna positiva identifieringar och alla förutsagda positiva värden som beräknats oberoende av klass och medelvärde.", + "Short": "Makroprecision", + "Title": "Ytterligare information om makrots genomsnittliga precision" }, "MicroPrecision": { - "Name": "Micro averaged precision score", - "Info": "The micro averaged precision is the ratio of true positives over all predicted positives aggregated for all classes.", - "Short": "Micro precision", - "Title": "Additional information on micro averaged precision" + "Name": "Mikrots genomsnittliga precisionspoäng", + "Info": "Den genomsnittliga mikroprecisionen är förhållandet mellan sanna positiva identifieringar och alla förutsagda positiva identifieringar aggregerade för alla klasser.", + "Short": "Mikroprecision", + "Title": "Ytterligare information om mikrots genomsnittliga precision" }, "MacroRecall": { - "Name": "Macro averaged recall score", - "Info": "The macro averaged recall is the ratio of true positives over all actual positives computed independently per class and averaged.", - "Short": "Macro recall", - "Title": "Additional information on macro averaged recall" + "Name": "Makrots genomsnittliga träffsäkerhetspoäng", + "Info": "Den genomsnittliga makroträffsäkerheten är förhållandet mellan sanna positiva identifieringar och alla faktiska positiva värden som beräknats oberoende av klass och medelvärde.", + "Short": "Makroåterkallning", + "Title": "Ytterligare information om makrots genomsnittliga återkallande" }, "MicroRecall": { - "Name": "Micro averaged recall score", - "Info": "The micro averaged recall is the ratio of true positives over all actual positives aggregated for all classes.", - "Short": "Micro recall", - "Title": "Additional information on micro averaged recall" + "Name": "Mikrogenomsnittsträffsäkerhetspoäng", + "Info": "Den mikrogenomsnittade träffsäkerheten är förhållandet mellan sanna positiva identifieringar och alla faktiska positiva identifieringar aggregerade för alla klasser.", + "Short": "Mikroåterkallning", + "Title": "Ytterligare information om mikrogenomsnittsåterkallning" }, "MacroF1Score": { - "Name": "Macro averaged F1 score", - "Info": "The macro averaged F1 score is the harmonic mean of the macro averaged precision and recall metrics.", - "Short": "Macro F1 score", - "Title": "Additional information on macro averaged F1 score" + "Name": "Makrogenomsnitt för F1-poäng", + "Info": "Makrots genomsnittliga F1-poäng är det bästa medelvärdet för makrots genomsnittliga precision och träffsäkerhetsmått.", + "Short": "Makro F1-poäng", + "Title": "Ytterligare information om makrots genomsnittliga F1-poäng" }, "MicroF1Score": { - "Name": "Micro averaged F1 score", - "Info": "The micro averaged F1 score is the harmonic mean of the micro averaged precision and recall metrics.", - "Short": "Micro F1 score", - "Title": "Additional information on micro averaged F1 score" + "Name": "Mikrogenomsnitt för F1-poäng", + "Info": "Mikrogenomsnittet för F1-poängen är det bästa medelvärdet av mikromedelvärdet för precisions- och träffsäkerhetsmått.", + "Short": "Micro F1-poäng", + "Title": "Ytterligare information om mikrogenomsnitt för F1-poäng" }, "MeanAveragePrecision": { - "Name": "Mean average precision score", - "Info": "Mean average precision for object detection models is the average of AP (average precision) across all classes. This evaluates the robustness of your object detection model and encapsulates the tradeoff between precision and recall.", - "Short": "Mean avg precision", - "Title": "Additional information on mean average precision score" + "Name": "Medelvärde för genomsnittlig precisionspoäng", + "Info": "Genomsnittlig genomsnittlig precision för objektidentifieringsmodeller är genomsnittet av AP (genomsnittlig precision) för alla klasser. Detta utvärderar robustheten hos din objektidentifieringsmodell och kapslar in kompromissen mellan precision och träffsäkerhet.", + "Short": "Medelvärde för genomsnittsprecision", + "Title": "Ytterligare information om medelvärde för genomsnittlig precisionspoäng" }, "AveragePrecision": { - "Name": "Average precision score", - "Info": "Average precision for object detection models is calculated for a selected class.", - "Short": "Avg precision", - "Title": "Additional information on average precision score" + "Name": "Genomsnittlig precisionspoäng", + "Info": "Genomsnittlig precision för objektidentifieringsmodeller beräknas för en vald klass.", + "Short": "Genomsnittlig precision", + "Title": "Ytterligare information om genomsnittlig precisionspoäng" }, "AverageRecall": { - "Name": "Average recall score", - "Info": "Average recall for object detection models is calculated for a selected class.", - "Short": "Avg recall", - "Title": "Additional information on average recall score" + "Name": "Genomsnittlig träffsäkerhetspoäng", + "Info": "Genomsnittlig återkallelse för objektidentifieringsmodeller beräknas för en vald klass.", + "Short": "Genomsnittlig återkallning", + "Title": "Ytterligare information om genomsnittlig träffsäkerhetspoäng" }, "metricName": "Måttnamn", "metricValue": "Mätvärde" }, "MetricSelector": { "selectorLabel": "Välj mått", - "feature1SelectorLabel": "Rows: Feature 1", - "feature2SelectorLabel": "Columns: Feature 2" + "feature1SelectorLabel": "Rader: Funktion 1", + "feature2SelectorLabel": "Kolumner: Funktion 2" }, "Navigation": { "cohortSaved": "Ny kohort sparas! Se kohortlistan under Kohortinställningar.", @@ -427,9 +427,9 @@ "defaultLabelCopy": "All datakopiering" }, "TreeView": { - "ariaLabel": "Interactive chart", - "disabledArialLabel": "Disabled interactive chart", - "treeMapInfoTitle": "Additional information on tree map", + "ariaLabel": "Interaktivt diagram", + "disabledArialLabel": "Inaktiverat interaktivt diagram", + "treeMapInfoTitle": "Ytterligare information om trädkarta", "treeDescription": "Trädvisualiseringen använder ömsesidig information mellan varje funktion och felet för att bäst separera felinstanser från lyckade instanser hierarkiskt i datan. Det här förenklar processen med att upptäcka och belysa vanliga felmönster. Om du vill hitta viktiga felmönster kan du söka efter noder med en starkare röd färg (t. ex. hög felfrekvens) och en högre fyllningslinje (t. ex. hög feltäckning). Om du vill redigera listan med funktioner som används i trädet klickar du på Funktionslista. Använd rullgardinsmenyn \"Välj mätvärde\" för att lära dig mer om dina fel- och framgångsnoders prestanda. Observera att detta måttenhetsval inte påverkar hur ditt felträd genereras.", "treeStaticDescription": "Trädvisualiseringen använder ömsesidig information mellan varje funktion och felet för att bäst separera felinstanser från lyckade instanser hierarkiskt i datan. Det här förenklar processen med att upptäcka och belysa vanliga felmönster. Om du vill hitta viktiga felmönster kan du söka efter noder med en starkare röd färg (t. ex. hög felfrekvens) och en högre fyllningslinje (t. ex. hög feltäckning). Om du vill visa listan med funktioner som används för att skapa felträdet klickar du på Funktionslista. Använd rullgardinsmenyn \"Välj mätvärde\" för att lära dig mer om dina fel- och framgångsnoders prestanda. Observera att detta måttenhetsval inte påverkar hur ditt felträd genereras.", "disabledWarning": "Fel treemap inaktiveras om inte den globala kohorten växlas till att representera Alla data på grund av att treemappen genereras för den fullständiga datamängden. Växla tillbaka till den fullständiga datauppsättningen för att visa fel treemap." @@ -764,7 +764,7 @@ "countHelperText": "Ett histogram med antalet punkter", "ditherLabel": "Ska använda raster", "groupByCohort": "Gruppera efter kohort", - "logarithmicScaling": "Enable logarithmic scaling", + "logarithmicScaling": "Aktivera logaritmisk skalning", "numOfBins": "Antal intervall", "selectClass": "Välj klass", "selectFeature": "Välj funktion", @@ -788,7 +788,7 @@ "importancePrefix": "Relevans", "numberOfDatapoints": "Antalet datapunkter", "rowIndex": "Radindex", - "absoluteIndex": "Absolute index", + "absoluteIndex": "Absolut index", "xValue": "X-värde", "yValue": "Y-värde" }, @@ -817,11 +817,11 @@ "CohortEditor": { "columns": { "index": "Index", - "dataset": "Dataset", - "predictedY": "Predicted Y", - "trueY": "True Y", - "classificationOutcome": "Classification outcome", - "regressionError": "Error" + "dataset": "Datauppsättning", + "predictedY": "Förutsade Y", + "trueY": "Sant Y", + "classificationOutcome": "Klassificeringsutfall", + "regressionError": "Fel" }, "TreatAsCategorical": "Hantera som kategoriskt", "addFilter": "Lägg till filter", @@ -846,8 +846,8 @@ "save": "Spara", "saveAndSwitch": "Spara och växla", "selectFilter": "Välj filter", - "noFiltersApplied": "No filters applied", - "filterAdded": "Filter added" + "noFiltersApplied": "Inga filter används", + "filterAdded": "Filter har lagts till" }, "Columns": { "classificationOutcome": "Klassificeringsutfall", @@ -857,8 +857,8 @@ "falsePositive": "Falsk positiv identifiering", "none": "Antal", "predictedProbabilities": "Förutsägelsesannolikheter", - "predictedLabels": "Predicted labels", - "trueLabels": "True labels", + "predictedLabels": "Förutsagda etiketter", + "trueLabels": "Sanna etiketter", "regressionError": "Regressionsfel", "trueNegative": "Sant positiv identifiering", "truePositive": "Sann positiv", @@ -879,7 +879,7 @@ "aggregatePlots": "Sammansatta områden", "chartType": "Diagramtyp", "colorValue": "Färgvärde", - "infoTitle": "Additional information on data analysis chart view", + "infoTitle": "Ytterligare information om diagramvyn för dataanalys", "helperText": "Skapa datamängdskohorter för att analysera datamängdsstatistik i filter som till exempel förutsägbart resultat, datamängdsfunktioner och felgrupper. Läs mer om över-/underrepresentation i din datamängd.", "individualDatapoints": "Enskilda datapunkter", "missingParameters": "Den här fliken kräver att en utvärderingsdatauppsättning anges.", @@ -968,10 +968,10 @@ "dependencePlotHelperText": "Den här beroendekartan visar relationen mellan värdena för en funktion och motsvarande funktions prioritetsvärden.", "dependencePlotTitle": "Beroenderitytor", "helperText": "Utforska de främsta viktigaste funktionerna som påverkar dina övergripande modellförutsägelser (även kallad global förklaring). Använd skjutreglaget för att visa funktioner för fallande funktioner. Alla kohorters funktionsrelevans visas sida vid sida och kan växlas till av genom att välja kohort i förklaringen. Klicka på någon av funktionerna i diagrammet om du vill se en täthetskurva nedan över hur värden för den valda funktionen påverkar förutsägelse.", - "infoTitle": "Additional information on aggregate feature importance", + "infoTitle": "Ytterligare information om mängdfunktionsprioritet", "legendHelpText": "Växla kohorter på och av i området genom att klicka på förklaringselementen.", "missingParameters": "Den här fliken kräver att du anger den lokala parametern för funktionsrelevans.", - "sortByCohort": "Sort by cohort", + "sortByCohort": "Sortera efter kohort", "sortBy": "Sortera efter datapunkt", "topAtoB": "Främsta {0} funktionerna efter prioritet", "viewDependencePlotFor": "Visa beroendediagram för:", @@ -1014,15 +1014,15 @@ }, "Statistics": { "accuracy": "Noggrannhet: {0}", - "bleuScore": "Bleu score: {0}", - "bertScore": "Bert score: {0}", - "exactMatchRatio": "Exact match ratio: {0}", - "rougeScore": "Rouge Score: {0}", + "bleuScore": "Bleu-poäng: {0}", + "bertScore": "Bert-poäng: {0}", + "exactMatchRatio": "Exakt matchningsförhållande: {0}", + "rougeScore": "Rouge-poäng: {0}", "fnr": "Falsk negativ frekvens: {0}", "fpr": "Falsk positiv frekvens: {0}", - "hammingScore": "Hamming score: {0}", + "hammingScore": "Bedömningspoäng: {0}", "meanPrediction": "Genomsnittlig förutsägelse {0}", - "meteorScore": "Meteor Score: {0}", + "meteorScore": "Meteorpoäng: {0}", "mse": "Genomsnittligt kvadratfel: {0}", "precision": "Precision: {0}", "rSquared": "R²: {0}", @@ -1030,10 +1030,10 @@ "selectionRate": "Markeringshastighet: {0}", "mae": "Genomsnittligt absolut fel: {0}", "f1Score": "F1-poäng: {0}", - "samples": "Sample size: {0}", - "meanAveragePrecision": "Mean average precision: {0}", - "averagePrecision": "Average precision: {0}", - "averageRecall": "Average recall: {0}" + "samples": "Exempelstorlek: {0}", + "meanAveragePrecision": "Genomsnittlig precision: {0}", + "averagePrecision": "Genomsnittlig precision: {0}", + "averageRecall": "Genomsnittlig återkallelse: {0}" }, "ValidationErrors": { "addFilters": "Lägg till filter", @@ -1141,29 +1141,29 @@ "InterpretText": { "View": { "interpretibilityDashboard": "Instrumentpanel för tolkning", - "importantWords": "Show most Important Words", + "importantWords": "Visa de viktigaste orden", "topFeatureList": "Analys av toppfunktionslistan", "allButton": "ALLA FUNKTIONER", "negButton": "NEGATIVA FUNKTIONER", "posButton": "POSITIVA FUNKTIONER", - "legendText": "Positive scalar feature importances represent the extent that the words were important towards the classification of your selected label, and negative scalar feature importances represent words that encouraged your model away from your selected label.", - "legendTextForQA": "The left text box and the bar chart display the predictions of the model. The right text box shows the feature importance associated with a selected token. Positive feature importances represent the extent that the words were important towards marking the selected token as the starting/ending position of the answer.", + "legendText": "Positiva skalära funktionsprioriteter representerar den omfattning som orden var viktiga för klassificeringen av den valda etiketten, och negativa skalära funktionsprioriteter representerar ord som har uppmuntrat din modell bort från den valda etiketten.", + "legendTextForQA": "Den vänstra textrutan och stapeldiagrammet visar modellens förutsägelser. Den högra textrutan visar den funktionsprioritet som är associerad med en markerad token. Positiva funktionsprioriteter representerar i vilken utsträckning orden var viktiga för att markera den valda token som start-/slutposition för svaret.", "label": "Etikett", "colon": ": ", - "startingPosition": "STARTING POSITION", - "endingPosition": "ENDING POSITION", - "predictedAnswer": "Predicted answer: ", - "trueAnswer": "True answer: ", - "inputs": "Inputs", - "outputs": "Outputs" + "startingPosition": "STARTPOSITION", + "endingPosition": "SLUTPOSITION", + "predictedAnswer": "Förutsagt svar: ", + "trueAnswer": "Sant svar: ", + "inputs": "Indata", + "outputs": "Utdata" }, "Legend": { "featureLegend": "FÖRKLARING AV TEXTFUNKTION", "posFeatureImportance": "POSITIV FUNKTIONSPRIORITET", "negFeatureImportance": "NEGATIV FUNKTIONSPRIORITET", - "cls": "CLS: start of the sentence", - "sep": "SEP: end of the sentence", - "selectedWord": "Selected word: " + "cls": "CLS: meningens början", + "sep": "SEP: slutet av meningen", + "selectedWord": "Markerat ord: " }, "BarChart": { "featureImportance": "FUNKTIONSPRIORITET" @@ -1171,55 +1171,55 @@ }, "InterpretVision": { "Cohort": { - "close": "Close", - "errorCohortName": "Please choose a unique cohort name.", - "errorNumSelected": "Please select at least one (1) item.", - "itemsSelectedSingular": "item selected", - "itemsSelectedPlural": "items selected", - "save": "Save cohort", - "saveAndClose": "Save and close", - "saveAndSwitch": "Save and switch", - "textField": "New cohort name", - "title": "Save new cohort" + "close": "Stäng", + "errorCohortName": "Välj ett unikt kohortnamn.", + "errorNumSelected": "Markera minst ett (1) objekt.", + "itemsSelectedSingular": "markerat objekt", + "itemsSelectedPlural": "valda objekt", + "save": "Spara kohort", + "saveAndClose": "Spara och stäng", + "saveAndSwitch": "Spara och växla", + "textField": "Nytt kohortnamn", + "title": "Spara ny kohort" }, "Dashboard": { "allData": "Alla data", - "columnOne": "Image", + "columnOne": "Bild", "columnTwo": "Index", "columnThree": "Sant Y", "columnFour": "Förutsade Y", "columnFive": "Andra metadata", - "chooseObject": "Choose a detected object", - "examples": "examples", + "chooseObject": "Välj ett identifierat objekt", + "examples": "exempel", "filter": "Filter", - "indexLabel": "Image ", - "labelTypeDropdown": "Select label type", - "labelVisibilityDropdown": "Select labels to display", - "legendFailure": "failure", - "legendSuccess": "success", - "loading": "Computing explanation for index", - "multiselect": "Multiselect", - "notdefined": "object scenario not defined", - "objectSelect": "Object Selection", + "indexLabel": "Bild ", + "labelTypeDropdown": "Välj etiketttyp", + "labelVisibilityDropdown": "Välj etiketter som ska visas", + "legendFailure": "fel", + "legendSuccess": "lyckades", + "loading": "Beräkningsförklaring för index", + "multiselect": "Flera markeringar", + "notdefined": "objektscenariot har inte definierats", + "objectSelect": "Val av objekt", "pageSize": "Sidstorlek: ", - "panelTitle": "Selected instance", - "panelExplanation": "Explanation", + "panelTitle": "Vald instans", + "panelExplanation": "Förklaring", "panelInformation": "Information", - "predictedLabel": "Predicted label", - "predictedY": "Predicted: ", - "prefix": "Object: ", - "rows": "Rows: ", + "predictedLabel": "Förväntad etikett", + "predictedY": "Förutsagt: ", + "prefix": "Objekt: ", + "rows": "Rader: ", "search": "Sök", - "selectAll": "Select all", + "selectAll": "Välj allt", "settings": "Inställningar", - "showAll": "Show all", + "showAll": "Visa alla", "tabOptionFirst": "Vyn Bildutforskaren", "tabOptionSecond": "Tabellvy", - "tabOptionThird": "Class view", + "tabOptionThird": "Klassvy", "thumbnailSize": "Storlek på miniatyrbilden", "titleBarError": "Felinstanser", "titleBarSuccess": "Lyckade instanser", - "trueY": "Ground truth: " + "trueY": "Grundsanning: " } }, "ModelAssessment": { @@ -1228,15 +1228,15 @@ "CalloutContent": "När du lägger till vissa komponenter (fel trädsvy, fel heatmap) kan du filtrera data från den globala kohorten som visas i komponenterna nedan.", "CalloutTitle": "Lägg till komponent", "TabAddedMessage": { - "DataAnalysis": "Data analysis component added", - "FeatureImportances": "Feature importances component added", - "ErrorAnalysis": "Error analysis component added", - "Fairness": "Fairness component added", - "ModelOverview": "Model overview component added", - "CausalAnalysis": "Causal analysis component added", - "Counterfactuals": "Counterfactuals component added", - "Vision": "Vision data explorer component added", - "Forecasting": "Forecasting what-if component added" + "DataAnalysis": "Dataanalyskomponent har lagts till", + "FeatureImportances": "Komponent för funktionsprioritet har lagts till", + "ErrorAnalysis": "Felanalyskomponent har lagts till", + "Fairness": "Rättvisekomponent har lagts till", + "ModelOverview": "Modellöversiktskomponent tillagd", + "CausalAnalysis": "Komponent för kausal analys har lagts till", + "Counterfactuals": "Komponenten Counterfactuals har lagts till", + "Vision": "Komponent för visionsdatautforskaren har lagts till", + "Forecasting": "Prognostisering av konsekvenskomponent tillagd" } }, "CausalAnalysis": { @@ -1264,7 +1264,7 @@ }, "CohortInformation": { "ShiftCohort": "Byt kohort", - "SwitchTimeSeries": "Switch time series", + "SwitchTimeSeries": "Växla tidsserie", "NewCohort": "Ny kohort", "DataPoints": "Antalet datapunkter", "DefaultCohort": " (standardinställning)", @@ -1276,7 +1276,7 @@ "CohortSettingsTitle": "Kohortinställningar" }, "ComponentNames": { - "ChartView": "Chart view", + "ChartView": "Diagramvy", "CausalAnalysis": "Causal analys", "Counterfactuals": "Motfakta", "DataAnalysis": "Dataanalys", @@ -1285,10 +1285,10 @@ "ErrorAnalysis": "Felanalys", "Fairness": "Rättvisa", "FeatureImportances": "Funktionsrelevanser", - "Forecasting": "Forecasting", + "Forecasting": "Prognosticering", "ModelOverview": "Modellöversikt", - "TableView": "Table view", - "VisionTab": "Vision data explorer" + "TableView": "Tabellvy", + "VisionTab": "Vision-datautforskaren" }, "DashboardSettings": { "Content": "I den här listan visas instrumentpanelens layout. Du kan filtrera datan med hjälp av felanalyskomponenten, så att de visas i komponenterna nedanför.", @@ -1446,17 +1446,17 @@ "CorrectPredictions": "Korrigera förutsägelser", "GlobalExplanation": "Mängdfunktionsprioritet", "IncorrectPredictions": "Felaktiga förutsägelser", - "InfoTitle": "Additional information on data analysis table view", - "IndividualFeatureTabular": "Select a datapoint by clicking on a datapoint (up to 5 datapoints) in the table to view their local feature importance values (local explanation) and individual conditional expectation (ICE) plots.", - "IndividualFeatureText": "Select a datapoint by clicking on a datapoint in the table to view the local feature importance values (local explanation).", + "InfoTitle": "Ytterligare information om dataanalystabellvyn", + "IndividualFeatureTabular": "Välj en datapunkt genom att klicka på en datapunkt (upp till 5 datapunkter) i tabellen för att visa de lokala funktionsrelevansvärdena (lokal förklaring) och individuellt villkorsstyrt förväntningsområden.", + "IndividualFeatureText": "Välj en datapunkt genom att klicka på en datapunkt i tabellen för att visa de lokala funktionsprioritetsvärdena (lokal förklaring).", "LocalExplanation": "Enskild funktions prioritet", "SelectionCounter": "{0}/{1} datapunkter har valts", "SelectionLimit": "Upp till 5 datapunkter kan väljas just nu.", - "RowCheckboxAriaLabel": "Row checkbox", - "SelectionColumnAriaLabel": "Toggle selection" + "RowCheckboxAriaLabel": "Rad-kryssruta", + "SelectionColumnAriaLabel": "Växla markering" }, "IndividualFeatureImportanceView": { - "SmallInstanceSelection": "Instance selection" + "SmallInstanceSelection": "Val av instans" }, "MainMenu": { "DashboardSettings": "Instrumentpanelskonfiguration", @@ -1472,44 +1472,44 @@ "ModelOverview": { "metrics": { "accuracy": { - "name": "Accuracy score", + "name": "Noggrannhetspoäng", "description": "Datapunktsfraktionen klassificeras korrekt." }, "exactMatchRatio": { - "name": "Exact match ratio", - "description": "The ratio of instances classified correctly for every label." + "name": "Exakt matchningsförhållande", + "description": "Förhållandet mellan instanser som klassificeras korrekt för varje etikett." }, "meteorScore": { "name": "Meteor Score", - "description": "METEOR Score is calculated based on the harmonic mean of precision and recall, with recall weighted more than precision in question answering task." + "description": "METEOR-poäng beräknas baserat på det vågräckande medelvärdet av precision och träffsäkerhet, med återkallande viktat mer än precision i frågesvarsuppgiften." }, "bleuScore": { "name": "Bleu Score", - "description": "Bleu Score measures the ratio of words (and/or n-grams) in the machine generated text that appeared in the reference text in question answering task." + "description": "Bleu-poäng mäter förhållandet mellan ord (och/eller n-gram) i den maskingenererade texten som visades i referenstexten i uppgiften för frågesvar." }, "bertScore": { - "name": "Bert Score", - "description": "BERTScore focuses on computing semantic similarity between tokens of reference and machine generated text in question answering task." + "name": "Bert-poäng", + "description": "BERTScore fokuserar på att beräkna semantisk likhet mellan token för referens och maskingenererad text i frågesvarsuppgiften." }, "rougeScore": { "name": "Rouge Score", - "description": "Rouge Score measures the ratio of words (and/or n-grams) in the reference text that appeared in the machine generated text in question answering task." + "description": "Rouge Score mäter förhållandet mellan ord (och/eller n-gram) i referenstexten som visades i den datorgenererade texten i frågesvarsuppgiften." }, "hammingScore": { - "name": "Hamming score", - "description": "The average ratio of labels classified correctly among those classified as 1 in multilabel task." + "name": "Bedömningspoäng", + "description": "Det genomsnittliga förhållandet mellan etiketter som klassificeras korrekt bland dem som klassificeras som 1 i multietikettaktivitet." }, "f1Score": { "name": "F1-poäng", "description": "F1-poäng är det harmoniska medelvärdet för precision och träffsäkerhet." }, "f1ScoreMacro": { - "name": "Macro F1 score", - "description": "Macro F1 score is the harmonic mean of precision and recall for each class, with each class weighted equally." + "name": "Makro F1-poäng", + "description": "Makro F1-poäng är det enhetliga medelvärdet av precision och träffsäkerhet för varje klass, där varje klass viktas lika." }, "f1ScoreMicro": { - "name": "Micro F1 score", - "description": "Micro F1 score is the harmonic mean of precision and recall for each class, with each class weighted according to how many instances it contains." + "name": "Micro F1-poäng", + "description": "Micro F1-poäng är det bästa medelvärdet av precision och träffsäkerhet för varje klass, där varje klass viktas enligt hur många instanser den innehåller." }, "meanAbsoluteError": { "name": "Genomsnittligt absolut fel", @@ -1524,24 +1524,24 @@ "description": "Fraktionen av datapunkter som klassificeras korrekt bland de som klassificerats som 1." }, "precisionMacro": { - "name": "Macro Precision score", - "description": "The fraction of data points classified correctly among those classified as 1 for each class with each class weighted equally." + "name": "Macro Precision-poäng", + "description": "Fraktionen av datapunkter som klassificeras korrekt bland dem som klassificeras som 1 för varje klass med varje klass viktad lika." }, "precisionMicro": { - "name": "Micro Precision score", - "description": "The fraction of data points classified correctly among those classified as 1 for each class with each class weighted according to how many instances it contains." + "name": "Micro Precision-poäng", + "description": "Fraktionen av datapunkter som klassificeras korrekt bland dem som klassificeras som 1 för varje klass med varje klass viktad enligt hur många instanser den innehåller." }, "recall": { "name": "Träffsäkerhetspoäng", "description": "Fraktionen av datapunkter som klassificeras korrekt bland de vars sanna etikett är 1. Alternativa namn: sant positiv hastighet, känslighet." }, "recallMacro": { - "name": "Macro Recall score", - "description": "The fraction of data points classified correctly among those whose true label is 1 for each class with each class weighted equally." + "name": "Macro Recall-poäng", + "description": "Fraktionen av datapunkter som klassificeras korrekt bland dem vars sanna etikett är 1 för varje klass med varje klass viktad lika." }, "recallMicro": { - "name": "Micro Recall score", - "description": "The fraction of data points classified correctly among those whose true label is 1 for each class with each class weighted according to how many instances it contains." + "name": "Micro Recall-poäng", + "description": "Fraktionen av datapunkter som klassificeras korrekt bland dem vars sanna etikett är 1 för varje klass med varje klass viktad enligt hur många instanser den innehåller." }, "falsePositiveRate": { "name": "Falsk positiv frekvens", @@ -1560,32 +1560,32 @@ "description": "Medelvärdet för alla förutsägelser." }, "meanAveragePrecision": { - "name": "Mean Average Precision score", - "description": "Mean average precision for object detection models is the average of AP (average precision) across all classes. This evaluates the robustness of your object detection model and encapsulates the tradeoff between precision and recall." + "name": "Genomsnittlig genomsnittlig precisionspoäng", + "description": "Genomsnittlig genomsnittlig precision för objektidentifieringsmodeller är genomsnittet av AP (genomsnittlig precision) för alla klasser. Detta utvärderar robustheten hos din objektidentifieringsmodell och kapslar in kompromissen mellan precision och träffsäkerhet." }, "averagePrecision": { - "name": "Average Precision score", - "description": "Average precision for object detection models is calculated for a selected class." + "name": "Genomsnittlig precisionspoäng", + "description": "Genomsnittlig precision för objektidentifieringsmodeller beräknas för en vald klass." }, "averageRecall": { - "name": "Average Recall score", - "description": "Average recall for object detection models is calculated for a selected class." + "name": "Genomsnittlig träffsäkerhetspoäng", + "description": "Genomsnittlig återkallelse för objektidentifieringsmodeller beräknas för en vald klass." }, "fairnessMetricDifference": "Skillnad", "fairnessMetricRatio": "Kvot" }, "metricsDropdown": "Mått", - "metricsTypeDropdown": "Aggregate method", + "metricsTypeDropdown": "Aggregerad metod", "metricTypes": { "macro": "Macro", "micro": "Micro" }, - "classSelectionDropdown": "Select class(es)", + "classSelectionDropdown": "Välj klass(er)", "iouThresholdDropdown": { - "name": "IoU Threshold", - "description": "Intersection over Union quantifies the degree of overlap between the prediction and ground truth bounding box of a detected object in an image. For example, setting an IoU threshold of 70% means that a prediction with greater than 70% overlap with ground truth is True, thus influencing the definition of prediction correctness and calculation of other performance metrics.", + "name": "Tröskelvärde för IoU", + "description": "Skärningspunkten över Union kvantifierar överlappningsgraden mellan förutsägelse- och mark sanningsgränsrutan för ett identifierat objekt i en bild. Om du till exempel anger ett IoU-tröskelvärde på 70 % innebär det att en förutsägelse med större än 70 % överlappning med grundsanning är True, vilket påverkar definitionen av förutsägelsekorrigering och beräkning av andra prestandamått.", "iconId": "iouThresholdIconId", - "title": "Learn about the IoU threshold" + "title": "Läs mer om IoU-tröskelvärdet" }, "notAvailable": "Inte tillämpligt", "countColumnHeader": "Exempelstorlek", @@ -1597,14 +1597,14 @@ "featuresDropdown": "Funktioner", "metricChartDropdownSelectionHeader": "Mått", "probabilityForClassSelectionHeader": "Sannolikhet för klass", - "targetSelectionHeader": "Target", + "targetSelectionHeader": "Mål", "metricSelectionDropdownPlaceholder": "Välj mått för att jämföra dina kohorter.", - "classSelectionDropdownPlaceholder": "Select class name for class-based analysis.", + "classSelectionDropdownPlaceholder": "Välj klassnamn för klassbaserad analys.", "featureSelectionDropdownPlaceholder": "Välj vilka funktioner som ska användas för en funktionsbaserad analys.", "probabilityDistributionPivotItem": "Sannolikhetsfördelningen", - "regressionDistributionPivotItem": "Target distribution", + "regressionDistributionPivotItem": "Måldistribution", "metricsVisualizationsPivotItem": "Måttvisualiseringar", - "confusionMatrixPivotItem": "Confusion matrix", + "confusionMatrixPivotItem": "Förväxlingsmatris", "disaggregatedAnalysisFeatureSelectionPlaceholder": "Välj funktioner för att generera den funktionsbaserade analysen.", "tableCountTooltip": "Kohort {0} innehåller {1} instanser.", "tableMetricTooltip": "Modellens {0} på kohorten {1} är {2}", @@ -1615,36 +1615,36 @@ "metricSelectionButton": "Välj mått", "cohortSelectionButton": "Välj kohorter", "probabilityLabelSelectionButton": "Välj etikett", - "regressionTargetSelectionButton": "Choose target", + "regressionTargetSelectionButton": "Välj mål", "selectAllCohortsOption": "Välj allt", "other": "Övrigt", "BoxPlot": { "outlierProbability": "sannolikhet", "outlierLabel": "Extremvärden", "boxPlotSeriesLabel": "Låddiagram", - "lowerWhisker": "Lower whisker", - "upperWhisker": "Upper whisker", - "median": "Median", - "lowerQuartile": "Lower quartile", - "upperQuartile": "Upper quartile" + "lowerWhisker": "Nedre morrhår", + "upperWhisker": "Övre morrhår", + "median": "Medianvärde", + "lowerQuartile": "Nedre kvartil", + "upperQuartile": "Övre kvartil" }, "chartConfigApply": "Använda", "chartConfigCancel": "Avbryt", "chartConfigDatasetCohortSelectionPlaceholder": "Välj datamängdskohorter", "chartConfigFeatureBasedCohortSelectionPlaceholder": "Välj funktionsbaserade kohorter", "confusionMatrix": { - "confusionMatrixCohortSelectionLabel": "Select dataset cohort", - "confusionMatrixClassSelectionLabel": "Select classes", - "confusionMatrixClassMinSelectionError": "Select at least {0} classes to visualize the confusion matrix.", - "confusionMatrixClassMaxSelectionError": "Select at most {0} classes to visualize the confusion matrix.", - "confusionMatrixClassSelectionDefaultPlaceholder": "Choose classes", - "confusionMatrixHeatmapTooltip": "{0} datapoints should be {1}, predicted to be {2}", - "confusionMatrixYAxisLabel": "True Class", - "confusionMatrixXAxisLabel": "Predicted Class", - "class": "Class" + "confusionMatrixCohortSelectionLabel": "Välj datamängdskohort", + "confusionMatrixClassSelectionLabel": "Välj klasser", + "confusionMatrixClassMinSelectionError": "Välj minst {0} klasser för att visualisera förvirringsmatrisen.", + "confusionMatrixClassMaxSelectionError": "Välj högst {0} klasser för att visualisera förvirringsmatrisen.", + "confusionMatrixClassSelectionDefaultPlaceholder": "Välj klasser", + "confusionMatrixHeatmapTooltip": "{0} datapunkter ska vara {1}, förutsägs vara {2}", + "confusionMatrixYAxisLabel": "Sann klass", + "confusionMatrixXAxisLabel": "Förutsagd klass", + "class": "Klass" }, "nA": "Inte tillämpligt", - "disaggregatedAnalysisBaseCohortDisclaimer": "The cohorts in the following feature-based analysis are based on the global cohort, {0}.", + "disaggregatedAnalysisBaseCohortDisclaimer": "Kohorterna i följande funktionsbaserade analys baseras på den globala kohorten {0}.", "disaggregatedAnalysisBaseCohortWarning": "Till skillnad från {0} kohort innehåller {1} filter. Därför samlar den bara in en delmängd av hela datamängden och insikter kanske inte generaliseras till den fullständiga datauppsättningen.", "probabilitySplineChartToggleLabel": "Använd spline-diagram", "countAxisLabel": "Antal", @@ -1674,76 +1674,76 @@ "flyoutDescription": "Du kan välja att visa datauppsättningskohorter eller funktionskohorter. Om funktionskohorter inte är tillgängliga måste du först välja en eller flera funktioner i funktionskohortvyn. Därefter genereras funktionskohorter och du kan välja dem här." }, "regressionTargetOptions": { - "predictedY": "Predicted Y", - "trueY": "True Y", - "error": "Error" + "predictedY": "Förutsade Y", + "trueY": "Sant Y", + "error": "Fel" }, "topLevelDescription": "Utvärdera prestandan för modellen genom att utforska fördelningen av dina prognosvärden och värdena i modellens prestandamått. Använd fliken \"Datamängdskohorter\" för att undersöka din modell genom att titta på en jämförande analys av dess prestanda i olika fördefinierade eller nyligen skapade datamängdskohorter. Använd funktionskohorterna för att undersöka din modell genom att titta på en jämförande analys av dess prestanda för känsliga/icke-känsliga funktionsunderkolumner. (t.ex. prestanda mellan olika kön, inkomstnivåer).", - "infoTitle": "Additional information on model overview", + "infoTitle": "Ytterligare information om modellöversikt", "visualDisplayToggleLabel": "Visa termisk karta", "featureBasedViewDescription": "Välj upp till två funktioner för att se modellens prestandauppdelning för funktionsbaserade kohorter (om en funktion väljs) eller intersektionella kohorter (om två funktioner väljs)." }, "TableViewTab": { - "Heading": "View the dataset in a table format for all features and rows." + "Heading": "Visa datamängden i tabellformat för alla funktioner och rader." } }, "Forecasting": { - "target": "Target", - "whatIfForecastingHeader": "What-if analysis", - "forecastHeader": "Forecast analysis", - "whatIfForecastingDescription": "What-if allows you to perturb features for your entire time series and observe how the model's forecast changes.", - "whatIfForecastingChooseTimeSeries": "To start, choose a time series from the options below.", - "forecastDescription": "Forecast analysis compares your model's forecast to the actual values of your time series. To enable what-if analysis, provide a dataset with features.", - "timeSeries": "Time series", - "selectTimeSeries": "Select a time series.", - "singleTimeSeries": "The dataset contains only a single time series '{0}' which has been selected by default.", - "trueY": "True Y", - "baselinePrediction": "Baseline prediction", - "forecastComparisonHeader": "Compare What-if Forecasts", - "forecastComparisonChartTitle": "Forecasts", - "forecastComparisonChartTimeAxisLabel": "Time", + "target": "Mål", + "whatIfForecastingHeader": "Konsekvensanalys", + "forecastHeader": "Prognosanalys", + "whatIfForecastingDescription": "Med Konsekvens kan du perturb-funktioner för hela tidsserien och se hur modellens prognos ändras.", + "whatIfForecastingChooseTimeSeries": "Börja med att välja en tidsserie bland alternativen nedan.", + "forecastDescription": "Prognosanalysen jämför modellens prognos med de faktiska värdena för din tidsserie. Om du vill aktivera konsekvensanalys anger du en datauppsättning med funktioner.", + "timeSeries": "Tidsserier", + "selectTimeSeries": "Välj en tidsserie.", + "singleTimeSeries": "Datamängden innehåller bara en enda tidsserie {0} som har valts som standard.", + "trueY": "Sant Y", + "baselinePrediction": "Baslinjeförutsägelse", + "forecastComparisonHeader": "Jämför konsekvensprognoser", + "forecastComparisonChartTitle": "Prognoser", + "forecastComparisonChartTimeAxisLabel": "Tid", "Transformations": { - "multiply": "multiply", - "divide": "divide", - "add": "add", - "subtract": "subtract", - "change": "change to" + "multiply": "multiplicera", + "divide": "dela", + "add": "addera", + "subtract": "subtrahera", + "change": "ändra till" }, "TransformationCreation": { - "title": "Create what-if scenario", - "nameLabel": "What-if scenario name", - "featureInstructions": "Choose a feature to perturb.", - "operationInstructions": "Choose an operation to apply to the feature.", - "operationDropdownHeader": "Operation", - "featureDropdownHeader": "Feature", - "valueSpinButtonHeader": "Value", - "scenarioNamingInstructionsPlaceholder": "Enter a unique name", - "scenarioNamingInstructions": "Enter a name for your what-if scenario.", - "scenarioNamingCollisionMessage": "This name exists already. Please enter a unique name.", - "scenarioNamingLengthMessage": "The name must be between 1 and 50 characters. The actual length is {0}.", - "scenarioNamingInvalidCharactersMessage": "The name can only contain alphanumeric characters, whitespaces, dashes, or underscores, and needs to start with an alphanumeric character.", - "valueErrorMessage": "For operation {0} please select a value other than {1}.", - "invalidCombinationErrorMessage": "This is identical to an existing what-if scenario. Please change the feature, operation, or value.", - "addTransformationButton": "Add Transformation", - "divisionAndMultiplicationBy": "by" + "title": "Skapa konsekvensscenario", + "nameLabel": "Namn på konsekvensscenario", + "featureInstructions": "Välj en funktion som ska perturb.", + "operationInstructions": "Välj en åtgärd som ska tillämpas på funktionen.", + "operationDropdownHeader": "Åtgärd", + "featureDropdownHeader": "Funktion", + "valueSpinButtonHeader": "Värde", + "scenarioNamingInstructionsPlaceholder": "Ange ett unikt namn", + "scenarioNamingInstructions": "Ange ett namn för ditt konsekvensscenario.", + "scenarioNamingCollisionMessage": "Det här namnet finns redan. Ange ett unikt namn.", + "scenarioNamingLengthMessage": "Namnet måste innehålla mellan 1 och 50 tecken. Den faktiska längden är {0}.", + "scenarioNamingInvalidCharactersMessage": "Namnet får bara innehålla alfanumeriska tecken, blanksteg, bindestreck eller understreck och måste börja med ett alfanumeriskt tecken.", + "valueErrorMessage": "Välj ett annat värde än {1} för åtgärd {0}.", + "invalidCombinationErrorMessage": "Detta är identiskt med ett befintligt konsekvensscenario. Ändra funktion, åtgärd eller värde.", + "addTransformationButton": "Lägg till omvandling", + "divisionAndMultiplicationBy": "av" }, "TransformationTable": { - "nameColumnHeader": "Name", - "methodColumnHeader": "Method", - "divisionAndMultiplicationBy": "by ", - "header": "What-if Forecasts ({0})" + "nameColumnHeader": "Namn", + "methodColumnHeader": "Metod", + "divisionAndMultiplicationBy": "av ", + "header": "Konsekvensprognoser ({0})" }, "TimeSeries": { - "apply": "Apply", - "cancel": "Cancel", - "cohortList": "Time series list", - "selectCohort": "Select a time series", - "shiftCohort": "Switch time series", - "shiftCohortDescription": "Select a time series from the time series list. Apply the time series to the dashboard." + "apply": "Använda", + "cancel": "Avbryt", + "cohortList": "Lista över tidsserier", + "selectCohort": "Välj en tidsserie", + "shiftCohort": "Växla tidsserie", + "shiftCohortDescription": "Välj en tidsserie i tidsserielistan. Använd tidsserierna på instrumentpanelen." }, "TimeSeriesSettings": { - "CohortSettingsDescription": "Time series are pre-defined based on time series identifying columns.", - "CohortSettingsTitle": "Time series settings" + "CohortSettingsDescription": "Tidsserier är fördefinierade baserat på tidsserier som identifierar kolumner.", + "CohortSettingsTitle": "Inställningar för tidsserier" } } } \ No newline at end of file diff --git a/libs/localization/src/lib/en.zh-Hant.json b/libs/localization/src/lib/en.zh-Hant.json index 532abf8ef9..4b04baa93a 100644 --- a/libs/localization/src/lib/en.zh-Hant.json +++ b/libs/localization/src/lib/en.zh-Hant.json @@ -3,26 +3,26 @@ "close": "關閉", "tooltipButton": "工具提示按鈕", "identityFeature": "身分識別功能", - "infoTitle": "Additional information", - "spinButton": "Spin", - "editButton": "Edit", - "decreaseValue": "Decrease value", - "increaseValue": "Increase value", - "decreaseValueByOne": "Decrease value by 1", - "increaseValueByOne": "Increase value by 1", - "loading": "Loading..." + "infoTitle": "其他資訊", + "spinButton": "微調", + "editButton": "編輯", + "decreaseValue": "減少值", + "increaseValue": "增加值", + "decreaseValueByOne": "將值減 1", + "increaseValueByOne": "將值加 1", + "loading": "正在載入..." }, "ChartContextMenu": { - "hideData": "Hide data table", - "viewData": "View data table", - "viewInFullScreen": "View in full screen", - "printChart": "Print chart", - "downloadCSV": "Download CSV", - "downloadPNG": "Download PNG image", - "downloadJPEG": "Download JPEG image", - "downloadPDF": "Download PDF document", - "downloadSVG": "Download SVG vector image", - "downloadXLS": "Download XLS" + "hideData": "隱藏運算列表", + "viewData": "檢視運算列表", + "viewInFullScreen": "以全螢幕檢視", + "printChart": "列印圖表", + "downloadCSV": "下載 CSV", + "downloadPNG": "下載 PNG 影像", + "downloadJPEG": "下載 JPEG 影像", + "downloadPDF": "下載 PDF 文件", + "downloadSVG": "下載 SVG 向量影像", + "downloadXLS": "下載 XLS" }, "CausalAnalysis": { "AggregateView": { @@ -39,7 +39,7 @@ "description": "原因分析會回答在不同的原則選擇下，現實世界結果會如何改變的「假設狀況」問題，例如為產品採取不同的價格策略或病患採取替代治療。這些工具與識別重要相互關聯模式的模型預測不同，它們可協助您識別直接影響感興趣結果的最重要原因特徵。這些模型會識別一項特徵的因果關係 (一般稱為「處理方式」)，將其他干擾因子特徵保持一致。為取得最佳的結果，請務必確保完整的資料集包含所有可能與結果相互關聯做為干擾因子的可用特徵。", "directAggregate": "具有 95% 信賴區間之每種治療的直接彙總因果關係", "here": "這裡", - "infoTitle": "Additional information on aggregated causal effects", + "infoTitle": "彙總因果關係的其他資訊", "lasso": "套索 (或若 y 為二元時則為羅吉斯迴歸) 適合從 X[-i] 預測 y，套索 (或若 X[i] 為絕對時則為羅吉斯迴歸) 也適合從 Χ[-i] 預測 X[i]。您可將因果關係視為兩個預測工作之剩餘/意外變化的相互關聯。深入了解 Double Machine Learning。", "unconfounding": "什麼是干擾因子特徵?" }, @@ -51,7 +51,7 @@ "description": "個別因果關係可顯現個人化的操作，例如針對客戶的目標性促銷或個人化的治療計劃。具有特定特徵集合的個人會如何回應原因特徵或治療的變更? 原因假設狀況工具可在假設為特定個人變更治療層級的情況下，計算出其在現實世界結果中的邊際變更。此分析可讓您了解現實世界成果在不同的原則選擇下會如何變更，例如為產品採取不同的價格策略或病患採取替代治療。指定感興趣的治療方式，並觀察現實世界結果的變更方式。", "directIndividual": "具有 95% 信賴區間之每種治療的直接個人因果關係", "index": "資料點索引", - "infoTitle": "Additional information on individual causal what-if", + "infoTitle": "有關個人原因假設狀況的其他資訊", "missingParameters": "此索引標籤需要提供評估資料集。", "newOutcome": "新結果", "selectTreatment": "選取治療", @@ -85,7 +85,7 @@ "averageGainBinary": "將處理方式 {0} 設定為其基準值 {1} 的平均增益。", "averageGainContinuous": "不進行 {0} 處理之替代原則的平均收益。", "header": "這些工具可協助建立未來操作的原則。您可以識別樣本的哪些部分會體驗到原因特徵或處理方式變更的最大回應，並構造規則以定義哪些未來母體應鎖定進行特定操作。", - "infoTitle": "Additional information on treatment policy", + "infoTitle": "關於處理原則的其他資訊", "nSample": "n = {0}", "noData": "沒有資料" } @@ -116,8 +116,8 @@ "cancel": "取消", "title": "切換世代", "subText": "從世代清單中選取世代。將世代套用到儀表板。", - "selectCohort": "Select a cohort", - "cohortList": "Cohort list" + "selectCohort": "選取世代", + "cohortList": "世代清單" }, "PreBuiltCohort": { "featureNameNotFound": "資料集中找不到特徵名稱", @@ -148,13 +148,13 @@ "predictedClass": "預測類別", "predictedValue": "預測值" }, - "Size": "Size", - "loading": "Loading...", + "Size": "大小", + "loading": "正在載入...", "counterfactualEx": "反事實 Ex {0}", "counterfactualName": "模擬反事實名稱", "createWhatIfCounterfactual": "建立模擬反事實", "createCounterfactual": "反事實", - "revertToBubbleChart": "View bubble chart", + "revertToBubbleChart": "檢視泡泡圖", "createOwn": "建立您自己的反事實:", "currentClass": "目前類別", "currentRange": "目前範圍", @@ -167,9 +167,9 @@ "listDescription": "此清單會顯示目前資料樣本中對選取的處理方式具有最大原因回應的資料點，根據包含在估愈原因模型中的所有特徵。左側的 5 個資料行會報告觀察是否建議使用處理方式，目前的處理方式、處理方式的估計效果 (影響為不進行二元處理方式的基準進行處理，或將處理方式特徵增加/減少在樣本中一般處理方式大小的 10: [動態：會報告使用之處理方式的數字變化] )，以及此效果的下限與上限信賴區間 (CI)。其餘的資料行則會顯示目前的處理方式狀態和每個觀察的其他特徵。", "localImportanceDescription": "在資料列 {0} 中要轉換以達成所需模式預測的的最高排名特徵。根據預測的假設狀況評估: {1}", "localImportanceSelectData": "選取資料點以檢視本機重要度圖表", - "largeLocalImportanceSelectData": "Select a bubble, followed by a data point to view local importance chart", - "localImportanceFetchError": "There was an error while fetching the local importance data. Error details: {0} Please check the data used.", - "BubbleChartFetchError": "There was an error while fetching the data. Error details: {0} Please check the data used.", + "largeLocalImportanceSelectData": "選取泡泡圖，後面接著資料點，以檢視本機重要度圖表", + "localImportanceFetchError": "擷取本機重要度資料時發生錯誤。錯誤詳細資料: {0} 請檢查使用的資料。", + "BubbleChartFetchError": "擷取資料時發生錯誤。錯誤詳細資料: {0} 請檢查使用的資料。", "noData": "沒有資料", "noFeatures": "無可用的功能", "panelDescription": "瀏覽反事實，然後建立您自己的反事實。搜尋特徵，以查看各種反事實樣本的建議值。按一下每個反事實名稱下的 [設定值] 文字，以設定建議的反事實特徵值。為您的反事實命名並加以儲存。", @@ -217,13 +217,13 @@ "subText": "了解所選的世代。編輯其世代名稱。刪除此世代。" }, "FeatureList": { - "featureList": "Feature List", + "featureList": "特徵清單", "apply": "套用", "features": "特徵", "importances": "重要性", "treeMapDescription": "要重新訓練樹狀圖，請選取並儲存以下特徵。使用共有資訊和真實標籤上的錯誤來計算特徵的重要性。請將此作爲訓練樹狀圖的方針。", "staticTreeMapDescription": "檢視用來訓練樹狀圖的特徵。特徵重要性是使用 true 標籤上有錯誤的相互資訊計算。", - "searchResultMessage": "Results displayed out of {resultLength} for {searchValue}" + "searchResultMessage": "在 {searchValue} 的 {resultLength} 中顯示的結果" }, "TreeViewParameters": { "maximumDepth": "最大深度", @@ -289,7 +289,7 @@ "disabledWarning": "因為已為完整資料集產生熱度圖，所以已停用錯誤熱度圖，除非全域世代切換為代表「所有資料」。切換回完整資料集以檢視錯誤熱度圖。" }, "MatrixSummary": { - "heatMapInfoTitle": "Additional information on heat map", + "heatMapInfoTitle": "熱度圖的其他資訊", "heatMapDescription": "熱度圖讓您可以專注於特定的交集特徵篩選並計算無彙總錯誤率。從比較兩個資料集特徵開始。", "heatMapStaticDescription": "透過熱度圖，您可以將焦點放在特定交集功能篩選器和計算匯總的錯誤率。檢視儀表板前，最多必須選取兩個功能，才能透過 SDK 建立熱度圖。" }, @@ -305,108 +305,108 @@ }, "Metrics": { "AccuracyScore": { - "Name": "Accuracy score", - "Info": "The accuracy score represents the ratio of correct to total instances in the data.", - "Short": "Accuracy", - "Title": "Additional information on accuracy score" + "Name": "正確性分數", + "Info": "正確性分數代表資料中正確執行個體相對於總執行個體的比率。", + "Short": "正確性", + "Title": "關於正確性分數的其他資訊" }, "ErrorRate": { - "Name": "Error rate", - "Info": "The error rate represents the percentage of instances in the node for which the system has failed.", - "Short": "Error rate", - "Title": "Additional information on error rate" + "Name": "錯誤率", + "Info": "錯誤率代表系統失敗節點中實例的百分比。", + "Short": "錯誤率", + "Title": "錯誤率的其他資訊" }, "F1Score": { - "Name": "F1 score", - "Info": "The F1 score is the harmonic mean of the precision and recall metrics.", - "Short": "F1 score", - "Title": "Additional information on F1 score" + "Name": "F1 分數", + "Info": "F1 分數是精確度和重新叫用計量的調和平均數。", + "Short": "F1 分數", + "Title": "F1 分數的其他資訊" }, "MeanAbsoluteError": { - "Name": "Mean absolute error", - "Info": "The mean absolute error is the average of the sum of the errors.", - "Short": "Mean abs. error", - "Title": "Additional information on mean absolute error" + "Name": "平均絕對誤差", + "Info": "平均絕對誤差是誤差總和的平均值。", + "Short": "平均絕對誤差", + "Title": "平均絕對誤差的其他資訊" }, "MeanSquaredError": { - "Name": "Mean squared error", - "Info": "The mean squared error is the average of the squares of the errors.", - "Short": "Mean sq. error", - "Title": "Additional information on mean squared error" + "Name": "平均平方誤差", + "Info": "平均平方誤差是平方誤差的平均值。", + "Short": "平均平方誤差", + "Title": "平均平方誤差的其他資訊" }, "Precision": { - "Name": "Precision score", - "Info": "The precision is the ratio of true positives over all predicted positives.", - "Short": "Precision", - "Title": "Additional information on precision" + "Name": "精確度分數", + "Info": "精確度是所有預測正數的真正數比率。", + "Short": "精確度", + "Title": "關於精確度的其他資訊" }, "Recall": { - "Name": "Recall score", - "Info": "The recall is the ratio of true positives over all actual positives.", - "Short": "Recall", - "Title": "Additional information on recall" + "Name": "重新叫用分數", + "Info": "重新叫用是所有實際正數的真正數比率。", + "Short": "召回率", + "Title": "重新叫用的其他資訊" }, "MacroPrecision": { - "Name": "Macro averaged precision score", - "Info": "The macro averaged precision is the ratio of true positives over all predicted positives computed independently per class and averaged.", - "Short": "Macro precision", - "Title": "Additional information on macro averaged precision" + "Name": "巨集平均精確度分數", + "Info": "巨集平均精確度是每個類別單獨計算並平均計算之所有預測正數的真正數比率。", + "Short": "巨集精確度", + "Title": "巨集平均精確度的其他資訊" }, "MicroPrecision": { - "Name": "Micro averaged precision score", - "Info": "The micro averaged precision is the ratio of true positives over all predicted positives aggregated for all classes.", - "Short": "Micro precision", - "Title": "Additional information on micro averaged precision" + "Name": "微平均精確度分數", + "Info": "微平均精確度是所有類別所匯總之所有預測正數的真正數比率。", + "Short": "微精確度", + "Title": "微平均精確度的其他資訊" }, "MacroRecall": { - "Name": "Macro averaged recall score", - "Info": "The macro averaged recall is the ratio of true positives over all actual positives computed independently per class and averaged.", - "Short": "Macro recall", - "Title": "Additional information on macro averaged recall" + "Name": "巨集平均重新叫用分數", + "Info": "巨集平均重新叫用是每個類別單獨計算並平均計算之所有實際正數的真正數比率。", + "Short": "巨集重新叫用", + "Title": "巨集平均重新叫用的其他資訊" }, "MicroRecall": { - "Name": "Micro averaged recall score", - "Info": "The micro averaged recall is the ratio of true positives over all actual positives aggregated for all classes.", - "Short": "Micro recall", - "Title": "Additional information on micro averaged recall" + "Name": "微平均重新叫用分數", + "Info": "微型平均重新叫用是所有類別所匯總之所有實際正數的真數比率。", + "Short": "微重新叫用", + "Title": "微平均重新叫用的其他資訊" }, "MacroF1Score": { - "Name": "Macro averaged F1 score", - "Info": "The macro averaged F1 score is the harmonic mean of the macro averaged precision and recall metrics.", - "Short": "Macro F1 score", - "Title": "Additional information on macro averaged F1 score" + "Name": "巨集平均 F1 分數", + "Info": "巨集平均的 F1 分數是巨集平均精確度和重新叫用計量的調和平均數。", + "Short": "巨集 F1 分數", + "Title": "巨集平均 F1 分數的其他資訊" }, "MicroF1Score": { - "Name": "Micro averaged F1 score", - "Info": "The micro averaged F1 score is the harmonic mean of the micro averaged precision and recall metrics.", - "Short": "Micro F1 score", - "Title": "Additional information on micro averaged F1 score" + "Name": "微平均 F1 分數", + "Info": "微平均的 F1 分數是微平均精確度和重新叫用計量的調和平均數。", + "Short": "微 F1 分數", + "Title": "微平均 F1 分數的其他資訊" }, "MeanAveragePrecision": { - "Name": "Mean average precision score", - "Info": "Mean average precision for object detection models is the average of AP (average precision) across all classes. This evaluates the robustness of your object detection model and encapsulates the tradeoff between precision and recall.", - "Short": "Mean avg precision", - "Title": "Additional information on mean average precision score" + "Name": "平均精確度均值分數", + "Info": "物件偵測模型的平均精確度均值是所有類別的平均 AP (平均精確度)。這會評估物件偵測模型的強固性，並封裝精確度與召回之間的權衡。", + "Short": "平均精確度均值", + "Title": "平均平均精確度均值分數的其他資訊" }, "AveragePrecision": { - "Name": "Average precision score", - "Info": "Average precision for object detection models is calculated for a selected class.", - "Short": "Avg precision", - "Title": "Additional information on average precision score" + "Name": "平均精確度分數", + "Info": "會針對選取的類別計算物件偵測模型的平均精確度。", + "Short": "平均精確度", + "Title": "平均精確度分數的其他資訊" }, "AverageRecall": { - "Name": "Average recall score", - "Info": "Average recall for object detection models is calculated for a selected class.", - "Short": "Avg recall", - "Title": "Additional information on average recall score" + "Name": "平均召回分數", + "Info": "會針對選取的類別計算物件偵測模型的平均召回。", + "Short": "平均召回", + "Title": "平均召回分數的其他資訊" }, "metricName": "計量名稱", "metricValue": "計量值" }, "MetricSelector": { "selectorLabel": "選取計量", - "feature1SelectorLabel": "Rows: Feature 1", - "feature2SelectorLabel": "Columns: Feature 2" + "feature1SelectorLabel": "資料列: 特徵 1", + "feature2SelectorLabel": "資料行: 特徵 2" }, "Navigation": { "cohortSaved": "已儲存新世代! 請參閱 [世代] 設定下的 [世代清單]。", @@ -427,9 +427,9 @@ "defaultLabelCopy": "所有資料複製" }, "TreeView": { - "ariaLabel": "Interactive chart", - "disabledArialLabel": "Disabled interactive chart", - "treeMapInfoTitle": "Additional information on tree map", + "ariaLabel": "互動式圖表", + "disabledArialLabel": "已停用互動式圖表", + "treeMapInfoTitle": "樹狀圖的其他資訊", "treeDescription": "樹狀圖視覺效果使用每個特徵和錯誤之間的共有資訊，以最佳方式將錯誤執行個體與成功執行個體在資料中依階層分開。這簡化了探索及醒目提示常見失敗模式的流程。若要尋找重要的失敗模式，請尋找具有較強紅色色彩的節點 (亦即高錯誤率) 及較高的填滿線(例如，高錯誤涵蓋範圍)。若要編輯樹狀圖中使用的特徵清單，請按一下 [特徵清單]。使用 [選取計量] 下拉式功能表以深入了解您的錯誤和成功節點效能。請注意，此計量選取項目並不會影響您錯誤樹狀圖產生的方式。", "treeStaticDescription": "樹狀圖視覺效果使用每個特徵和錯誤之間的共有資訊，以最佳方式將錯誤執行個體與成功執行個體在資料中依階層分開。這簡化了探索及醒目提示常見失敗模式的流程。若要尋找重要的失敗模式，請尋找具有較強紅色色彩的節點 (亦即高錯誤率) 及較高的填滿線(例如，高錯誤涵蓋範圍)。若要檢視用來建立此錯誤樹狀圖的特徵清單，請按一下 [特徵清單]。使用 [選取計量] 下拉式功能表以深入了解您的錯誤和成功節點效能。請注意，此計量選取項目並不會影響您錯誤樹狀圖產生的方式。", "disabledWarning": "因為已為完整資料集產生樹狀圖，所以已停用錯誤樹狀圖，除非全域世代切換為代表「所有資料」。切換回完整資料集以檢視錯誤樹狀圖。" @@ -764,7 +764,7 @@ "countHelperText": "包含點數的長條圖", "ditherLabel": "應該遞色", "groupByCohort": "依世代分組", - "logarithmicScaling": "Enable logarithmic scaling", + "logarithmicScaling": "啟用對數縮放", "numOfBins": "量化數目", "selectClass": "選取類別", "selectFeature": "選取特徵", @@ -788,7 +788,7 @@ "importancePrefix": "重要度", "numberOfDatapoints": "資料點數目", "rowIndex": "資料列索引", - "absoluteIndex": "Absolute index", + "absoluteIndex": "絕對索引", "xValue": "X 值", "yValue": "Y 值" }, @@ -816,12 +816,12 @@ }, "CohortEditor": { "columns": { - "index": "Index", - "dataset": "Dataset", - "predictedY": "Predicted Y", - "trueY": "True Y", - "classificationOutcome": "Classification outcome", - "regressionError": "Error" + "index": "索引", + "dataset": "資料集", + "predictedY": "預測的 Y", + "trueY": "實際的 Y", + "classificationOutcome": "分類結果", + "regressionError": "錯誤" }, "TreatAsCategorical": "視為類別", "addFilter": "新增篩選", @@ -846,8 +846,8 @@ "save": "儲存", "saveAndSwitch": "儲存並切換", "selectFilter": "選取篩選", - "noFiltersApplied": "No filters applied", - "filterAdded": "Filter added" + "noFiltersApplied": "未套用任何篩選條件", + "filterAdded": "已新增篩選" }, "Columns": { "classificationOutcome": "分類結果", @@ -857,8 +857,8 @@ "falsePositive": "誤判為真", "none": "計數", "predictedProbabilities": "預測機率", - "predictedLabels": "Predicted labels", - "trueLabels": "True labels", + "predictedLabels": "預測的標記", + "trueLabels": "True 的標記", "regressionError": "迴歸錯誤", "trueNegative": "確判為否", "truePositive": "確判為真", @@ -879,7 +879,7 @@ "aggregatePlots": "彙總繪圖", "chartType": "圖表類型", "colorValue": "色彩值", - "infoTitle": "Additional information on data analysis chart view", + "infoTitle": "資料分析圖表檢視的其他資訊", "helperText": "建立資料集世代以依篩選分析資料集統計資料，例如預測成果、資料集特徵和錯誤群組。了解資料集中的代表性過度/代表性不足。", "individualDatapoints": "個別資料點", "missingParameters": "此索引標籤需要提供評估資料集。", @@ -968,10 +968,10 @@ "dependencePlotHelperText": "此依存性繪圖顯示特徵值以及與特徵對應之特徵重要度值的關聯性。", "dependencePlotTitle": "依存性繪圖", "helperText": "探索影響整體模型預測的前 k 大重要特徵 (亦即全域解釋)。使用滑桿顯示遞減的特徵重要性度。所有世代的特徵重要度會並排顯示，並可透過選取圖例中的世代加以關閉切換。按一下圖表中的任一特徵，以在下面查看選取的特徵值如何影響預測的密度繪圖。", - "infoTitle": "Additional information on aggregate feature importance", + "infoTitle": "彙總特徵重要度的其他資訊", "legendHelpText": "按一下圖例項目，即可在繪圖中將世代切換為開啟或關閉。", "missingParameters": "此索引標籤需要提供局部特徵重要度參數。", - "sortByCohort": "Sort by cohort", + "sortByCohort": "依世代排序", "sortBy": "依資料點排序", "topAtoB": "主要 {0} 特徵 (依重要度)", "viewDependencePlotFor": "檢視依存性繪圖:", @@ -1014,15 +1014,15 @@ }, "Statistics": { "accuracy": "正確性: {0}", - "bleuScore": "Bleu score: {0}", - "bertScore": "Bert score: {0}", - "exactMatchRatio": "Exact match ratio: {0}", - "rougeScore": "Rouge Score: {0}", + "bleuScore": "Bleu 分數: {0}", + "bertScore": "Bert 分數: {0}", + "exactMatchRatio": "完全符合比率: {0}", + "rougeScore": "Rouge 分數: {0}", "fnr": "誤判為否率: {0}", "fpr": "誤判為真率: {0}", - "hammingScore": "Hamming score: {0}", + "hammingScore": "Hamming 分數: {0}", "meanPrediction": "平均預測 {0}", - "meteorScore": "Meteor Score: {0}", + "meteorScore": "Meteor 分數: {0}", "mse": "平均平方誤差: {0}", "precision": "精確度: {0}", "rSquared": "R²: {0}", @@ -1030,10 +1030,10 @@ "selectionRate": "選擇率: {0}", "mae": "平均絕對誤差: {0}", "f1Score": "F1 分數: {0}", - "samples": "Sample size: {0}", - "meanAveragePrecision": "Mean average precision: {0}", - "averagePrecision": "Average precision: {0}", - "averageRecall": "Average recall: {0}" + "samples": "樣本大小: {0}", + "meanAveragePrecision": "平均精確度均值: {0}", + "averagePrecision": "平均精確度: {0}", + "averageRecall": "平均資料總管: {0}" }, "ValidationErrors": { "addFilters": "新增篩選", @@ -1141,29 +1141,29 @@ "InterpretText": { "View": { "interpretibilityDashboard": "可解譯性儀表板", - "importantWords": "Show most Important Words", + "importantWords": "顯示最重要的字詞", "topFeatureList": "熱門特徵清單分析", "allButton": "所有特徵", "negButton": "負特徵", "posButton": "正面特徵", - "legendText": "Positive scalar feature importances represent the extent that the words were important towards the classification of your selected label, and negative scalar feature importances represent words that encouraged your model away from your selected label.", - "legendTextForQA": "The left text box and the bar chart display the predictions of the model. The right text box shows the feature importance associated with a selected token. Positive feature importances represent the extent that the words were important towards marking the selected token as the starting/ending position of the answer.", + "legendText": "正純量特徵重要度代表文字對所選標籤分類的重要度，而負純量特徵重要度代表鼓勵模型遠離所選標籤的文字。", + "legendTextForQA": "左側文字方塊和橫條圖顯示模型的預測。右側文字方塊顯示與選取權杖相關聯的特徵重要性。正面特徵重要性代表文字重要的範圍，用來將選取的權杖標示為答案的起始/結束位置。", "label": "標籤", "colon": ": ", - "startingPosition": "STARTING POSITION", - "endingPosition": "ENDING POSITION", - "predictedAnswer": "Predicted answer: ", - "trueAnswer": "True answer: ", - "inputs": "Inputs", - "outputs": "Outputs" + "startingPosition": "開始位置", + "endingPosition": "結束位置", + "predictedAnswer": "預測的答案:", + "trueAnswer": "正確答案:", + "inputs": "輸入", + "outputs": "輸出" }, "Legend": { "featureLegend": "文字特徵圖例", "posFeatureImportance": "負面特徵重要度", "negFeatureImportance": "負面特徵重要性", - "cls": "CLS: start of the sentence", - "sep": "SEP: end of the sentence", - "selectedWord": "Selected word: " + "cls": "CLS: 句子開頭", + "sep": "SEP:句子結尾", + "selectedWord": "選取的字:" }, "BarChart": { "featureImportance": "特徵重要度" @@ -1171,55 +1171,55 @@ }, "InterpretVision": { "Cohort": { - "close": "Close", - "errorCohortName": "Please choose a unique cohort name.", - "errorNumSelected": "Please select at least one (1) item.", - "itemsSelectedSingular": "item selected", - "itemsSelectedPlural": "items selected", - "save": "Save cohort", - "saveAndClose": "Save and close", - "saveAndSwitch": "Save and switch", - "textField": "New cohort name", - "title": "Save new cohort" + "close": "關閉", + "errorCohortName": "請選擇唯一的世代名稱。", + "errorNumSelected": "請至少選取一 (1) 個項目。", + "itemsSelectedSingular": "已選取項目", + "itemsSelectedPlural": "已選取項目", + "save": "儲存世代", + "saveAndClose": "儲存並關閉", + "saveAndSwitch": "儲存並切換", + "textField": "新世代名稱", + "title": "儲存新世代" }, "Dashboard": { "allData": "所有資料", - "columnOne": "Image", + "columnOne": "影像", "columnTwo": "索引", "columnThree": "實際的 Y", "columnFour": "預測的 Y", "columnFive": "其他中繼資料", - "chooseObject": "Choose a detected object", - "examples": "examples", + "chooseObject": "選擇偵測到的物件", + "examples": "範例", "filter": "篩選", - "indexLabel": "Image ", - "labelTypeDropdown": "Select label type", - "labelVisibilityDropdown": "Select labels to display", - "legendFailure": "failure", - "legendSuccess": "success", - "loading": "Computing explanation for index", - "multiselect": "Multiselect", - "notdefined": "object scenario not defined", - "objectSelect": "Object Selection", + "indexLabel": "影像 ", + "labelTypeDropdown": "選取標記類型", + "labelVisibilityDropdown": "選取要顯示的標記", + "legendFailure": "失敗", + "legendSuccess": "成功", + "loading": "索引的計算說明", + "multiselect": "多重選取", + "notdefined": "物件案例未定義", + "objectSelect": "物件選取項目", "pageSize": "頁面大小: ", - "panelTitle": "Selected instance", - "panelExplanation": "Explanation", - "panelInformation": "Information", - "predictedLabel": "Predicted label", - "predictedY": "Predicted: ", - "prefix": "Object: ", - "rows": "Rows: ", + "panelTitle": "選取的執行個體", + "panelExplanation": "說明", + "panelInformation": "資訊", + "predictedLabel": "預測標記", + "predictedY": "預測: ", + "prefix": "物件: ", + "rows": "資料列: ", "search": "搜尋", - "selectAll": "Select all", + "selectAll": "全選", "settings": "設定", - "showAll": "Show all", + "showAll": "全部顯示", "tabOptionFirst": "影像總管檢視", "tabOptionSecond": "資料表檢視", - "tabOptionThird": "Class view", + "tabOptionThird": "類別檢視", "thumbnailSize": "縮圖大小", "titleBarError": "錯誤實例", "titleBarSuccess": "成功實例", - "trueY": "Ground truth: " + "trueY": "地面事實: " } }, "ModelAssessment": { @@ -1228,15 +1228,15 @@ "CalloutContent": "新增部分元件 (錯誤樹狀檢視、錯誤熱度圖) 可讓您篩選從下方元件中所看到的全域世代資料。", "CalloutTitle": "新增元件", "TabAddedMessage": { - "DataAnalysis": "Data analysis component added", - "FeatureImportances": "Feature importances component added", - "ErrorAnalysis": "Error analysis component added", - "Fairness": "Fairness component added", - "ModelOverview": "Model overview component added", - "CausalAnalysis": "Causal analysis component added", - "Counterfactuals": "Counterfactuals component added", - "Vision": "Vision data explorer component added", - "Forecasting": "Forecasting what-if component added" + "DataAnalysis": "已新增資料分析元件", + "FeatureImportances": "已新增特徵重要度元件", + "ErrorAnalysis": "已新增錯誤分析元件", + "Fairness": "已新增公平性元件", + "ModelOverview": "已新增模型概觀元件", + "CausalAnalysis": "已新增原因分析元件", + "Counterfactuals": "已新增反事實元件", + "Vision": "已新增視覺資料總管元件", + "Forecasting": "已新增趨勢預測假設狀況元件" } }, "CausalAnalysis": { @@ -1264,7 +1264,7 @@ }, "CohortInformation": { "ShiftCohort": "切換世代", - "SwitchTimeSeries": "Switch time series", + "SwitchTimeSeries": "切換時間系列", "NewCohort": "新世代", "DataPoints": "資料點數目", "DefaultCohort": " (預設值)", @@ -1276,7 +1276,7 @@ "CohortSettingsTitle": "世代設定" }, "ComponentNames": { - "ChartView": "Chart view", + "ChartView": "圖表檢視", "CausalAnalysis": "原因分析", "Counterfactuals": "反事實", "DataAnalysis": "資料分析", @@ -1285,10 +1285,10 @@ "ErrorAnalysis": "錯誤分析", "Fairness": "公平性", "FeatureImportances": "特徵重要度", - "Forecasting": "Forecasting", + "Forecasting": "預測", "ModelOverview": "模型概觀", - "TableView": "Table view", - "VisionTab": "Vision data explorer" + "TableView": "資料表檢視", + "VisionTab": "視覺資料總管" }, "DashboardSettings": { "Content": "此清單顯示儀表板的版面配置。您可以使用錯誤分析元件篩選資料，在下方的元件中檢視資料。", @@ -1446,17 +1446,17 @@ "CorrectPredictions": "正確的預測", "GlobalExplanation": "彙總特徵重要度", "IncorrectPredictions": "不正確的預測", - "InfoTitle": "Additional information on data analysis table view", - "IndividualFeatureTabular": "Select a datapoint by clicking on a datapoint (up to 5 datapoints) in the table to view their local feature importance values (local explanation) and individual conditional expectation (ICE) plots.", - "IndividualFeatureText": "Select a datapoint by clicking on a datapoint in the table to view the local feature importance values (local explanation).", + "InfoTitle": "資料分析資料表檢視的其他資訊", + "IndividualFeatureTabular": "按一下資料表中的資料點 (最多 5 個資料點) 選取資料點，以在檢視其局部特徵重要度值 (區域解釋)，以個別條件預測 (ICE) 繪圖。", + "IndividualFeatureText": "按一下資料表中的資料點以選取資料點，以檢視本機特徵重要度值 (本機說明)。", "LocalExplanation": "個別特徵重要度", "SelectionCounter": "已選取 {0}/{1} 個資料點", "SelectionLimit": "目前最多可選取 5 個資料點。", - "RowCheckboxAriaLabel": "Row checkbox", - "SelectionColumnAriaLabel": "Toggle selection" + "RowCheckboxAriaLabel": "資料列核取方塊", + "SelectionColumnAriaLabel": "切換選取項目" }, "IndividualFeatureImportanceView": { - "SmallInstanceSelection": "Instance selection" + "SmallInstanceSelection": "執行個體選取項目" }, "MainMenu": { "DashboardSettings": "儀表板設定", @@ -1472,44 +1472,44 @@ "ModelOverview": { "metrics": { "accuracy": { - "name": "Accuracy score", + "name": "正確度分數", "description": "正確分類的資料點。" }, "exactMatchRatio": { - "name": "Exact match ratio", - "description": "The ratio of instances classified correctly for every label." + "name": "完全相符比率", + "description": "每個標記正確分類的執行個體比率。" }, "meteorScore": { - "name": "Meteor Score", - "description": "METEOR Score is calculated based on the harmonic mean of precision and recall, with recall weighted more than precision in question answering task." + "name": "Meteor 分數", + "description": "METEOR 分數是根據精確度和召回的調和平均數計算，召回加權超過問題解答工作的精確度。" }, "bleuScore": { - "name": "Bleu Score", - "description": "Bleu Score measures the ratio of words (and/or n-grams) in the machine generated text that appeared in the reference text in question answering task." + "name": "Bleu 分數", + "description": "Bleu 分數會測量電腦產生的文字中文字 (和/或 n-grams) 的比率，這些文字出現在問題解答工作中的參照文字中。" }, "bertScore": { - "name": "Bert Score", - "description": "BERTScore focuses on computing semantic similarity between tokens of reference and machine generated text in question answering task." + "name": "Bert 分數", + "description": "BERTScore 著重於計算參考權杖與電腦在問題解答工作中產生的文字之間的語意相似性。" }, "rougeScore": { - "name": "Rouge Score", - "description": "Rouge Score measures the ratio of words (and/or n-grams) in the reference text that appeared in the machine generated text in question answering task." + "name": "Rouge 分數", + "description": "Rouge 分數會測量電腦在問題解答工作中產生的文字中顯示之參照文字中的文字 (和/或 n-grams) 比率。" }, "hammingScore": { - "name": "Hamming score", - "description": "The average ratio of labels classified correctly among those classified as 1 in multilabel task." + "name": "Hamming 分數", + "description": "在多標籤工作中分類為 1 的標記中，正確分類的平均標記比率。" }, "f1Score": { "name": "F1 分數", "description": "F1 分數是精確度和召回率的調和平均數。" }, "f1ScoreMacro": { - "name": "Macro F1 score", - "description": "Macro F1 score is the harmonic mean of precision and recall for each class, with each class weighted equally." + "name": "巨集 F1 分數", + "description": "巨集 F1 分數是每個類別的精確度和召回的調和平均值，每個類別都會平均加權。" }, "f1ScoreMicro": { - "name": "Micro F1 score", - "description": "Micro F1 score is the harmonic mean of precision and recall for each class, with each class weighted according to how many instances it contains." + "name": "微 F1 分數", + "description": "微 F1 分數是每個類別的精確度和召回的調和平均數，每個類別都會根據它所包含的執行個體數量加權。" }, "meanAbsoluteError": { "name": "平均絕對誤差", @@ -1524,24 +1524,24 @@ "description": "在分類為 1 的資料點當中，正確分類的資料點。" }, "precisionMacro": { - "name": "Macro Precision score", - "description": "The fraction of data points classified correctly among those classified as 1 for each class with each class weighted equally." + "name": "巨集精確度分數", + "description": "針對每個類別，正確分類為 1 的資料點分數，每個類別會平均進行加權。" }, "precisionMicro": { - "name": "Micro Precision score", - "description": "The fraction of data points classified correctly among those classified as 1 for each class with each class weighted according to how many instances it contains." + "name": "微精確度分數", + "description": "針對每個類別，正確分類為 1 的資料點分數，每個類別會依據其包含的執行個體數進行加權。" }, "recall": { "name": "重新叫用分數", "description": "在 True 標籤為 1 的資料點當中，正確分類的資料點。替代名稱: 確判為真率、敏感度。" }, "recallMacro": { - "name": "Macro Recall score", - "description": "The fraction of data points classified correctly among those whose true label is 1 for each class with each class weighted equally." + "name": "巨集召回分數", + "description": "每個類別之 True 標記為 1 的資料點中正確分類的資料點分數，每個類別會平均進行加權。" }, "recallMicro": { - "name": "Micro Recall score", - "description": "The fraction of data points classified correctly among those whose true label is 1 for each class with each class weighted according to how many instances it contains." + "name": "微召回分數", + "description": "每個類別之 True 標記為 1 的資料點中正確分類的資料點分數，每個類別會依據其包含的執行個體數進行加權。" }, "falsePositiveRate": { "name": "誤判為真率", @@ -1560,32 +1560,32 @@ "description": "所有預測的平均值。" }, "meanAveragePrecision": { - "name": "Mean Average Precision score", - "description": "Mean average precision for object detection models is the average of AP (average precision) across all classes. This evaluates the robustness of your object detection model and encapsulates the tradeoff between precision and recall." + "name": "平均精確度均值分數", + "description": "物件偵測模型的平均精確度均值是所有類別的平均 AP (平均精確度)。這會評估物件偵測模型的強固性，並封裝精確度與召回之間的權衡。" }, "averagePrecision": { - "name": "Average Precision score", - "description": "Average precision for object detection models is calculated for a selected class." + "name": "平均精確度分數", + "description": "會針對選取的類別計算物件偵測模型的平均精確度。" }, "averageRecall": { - "name": "Average Recall score", - "description": "Average recall for object detection models is calculated for a selected class." + "name": "平均召回分數", + "description": "會針對選取的類別計算物件偵測模型的平均召回。" }, "fairnessMetricDifference": "差異", "fairnessMetricRatio": "比例" }, "metricsDropdown": "計量", - "metricsTypeDropdown": "Aggregate method", + "metricsTypeDropdown": "彙總方法", "metricTypes": { - "macro": "Macro", - "micro": "Micro" + "macro": "巨集", + "micro": "微" }, - "classSelectionDropdown": "Select class(es)", + "classSelectionDropdown": "選取類別", "iouThresholdDropdown": { - "name": "IoU Threshold", - "description": "Intersection over Union quantifies the degree of overlap between the prediction and ground truth bounding box of a detected object in an image. For example, setting an IoU threshold of 70% means that a prediction with greater than 70% overlap with ground truth is True, thus influencing the definition of prediction correctness and calculation of other performance metrics.", + "name": "IOU 閾值", + "description": "Union 上的交集可量化影像中偵測到物件的預測與地面事實界限方塊之間的重疊程度。例如，將 IoU 閾值設定為 70% 表示大於 70% 的預測與地面事實重為 True，因此會影響預測正確性定義和其他效能計量的計算。", "iconId": "iouThresholdIconId", - "title": "Learn about the IoU threshold" + "title": "了解 IoU 閾值" }, "notAvailable": "N/A", "countColumnHeader": "樣本大小", @@ -1597,14 +1597,14 @@ "featuresDropdown": "特徵", "metricChartDropdownSelectionHeader": "計量", "probabilityForClassSelectionHeader": "班級的機率", - "targetSelectionHeader": "Target", + "targetSelectionHeader": "目標", "metricSelectionDropdownPlaceholder": "選取計量以比較您的世代。", - "classSelectionDropdownPlaceholder": "Select class name for class-based analysis.", + "classSelectionDropdownPlaceholder": "選取類別型分析的類別名稱。", "featureSelectionDropdownPlaceholder": "選取特徵型分析要使用的特徵。", "probabilityDistributionPivotItem": "機率分佈", - "regressionDistributionPivotItem": "Target distribution", + "regressionDistributionPivotItem": "目標發佈", "metricsVisualizationsPivotItem": "計量視覺效果", - "confusionMatrixPivotItem": "Confusion matrix", + "confusionMatrixPivotItem": "混淆矩陣", "disaggregatedAnalysisFeatureSelectionPlaceholder": "選取特徵以產生特徵型分析。", "tableCountTooltip": "世代 {0} 包含 {1} 個執行個體。", "tableMetricTooltip": "在世代 {1} 上模型的 {0} 是{2}", @@ -1615,36 +1615,36 @@ "metricSelectionButton": "選擇計量", "cohortSelectionButton": "選擇世代", "probabilityLabelSelectionButton": "選擇標籤", - "regressionTargetSelectionButton": "Choose target", + "regressionTargetSelectionButton": "選擇目標", "selectAllCohortsOption": "全選", "other": "其他", "BoxPlot": { "outlierProbability": "機率", "outlierLabel": "極端值", "boxPlotSeriesLabel": "方塊繪圖", - "lowerWhisker": "Lower whisker", - "upperWhisker": "Upper whisker", - "median": "Median", - "lowerQuartile": "Lower quartile", - "upperQuartile": "Upper quartile" + "lowerWhisker": "下鬚值", + "upperWhisker": "上鬚值", + "median": "中位數", + "lowerQuartile": "下四分位數", + "upperQuartile": "上四分位數" }, "chartConfigApply": "套用", "chartConfigCancel": "取消", "chartConfigDatasetCohortSelectionPlaceholder": "選取資料集世代", "chartConfigFeatureBasedCohortSelectionPlaceholder": "選取特徵型世代", "confusionMatrix": { - "confusionMatrixCohortSelectionLabel": "Select dataset cohort", - "confusionMatrixClassSelectionLabel": "Select classes", - "confusionMatrixClassMinSelectionError": "Select at least {0} classes to visualize the confusion matrix.", - "confusionMatrixClassMaxSelectionError": "Select at most {0} classes to visualize the confusion matrix.", - "confusionMatrixClassSelectionDefaultPlaceholder": "Choose classes", - "confusionMatrixHeatmapTooltip": "{0} datapoints should be {1}, predicted to be {2}", - "confusionMatrixYAxisLabel": "True Class", - "confusionMatrixXAxisLabel": "Predicted Class", - "class": "Class" + "confusionMatrixCohortSelectionLabel": "選取資料集世代", + "confusionMatrixClassSelectionLabel": "選取類別", + "confusionMatrixClassMinSelectionError": "選取至少 {0} 個類別，以視覺化顯示混淆矩陣。", + "confusionMatrixClassMaxSelectionError": "選取最多 {0} 個類別，以視覺化顯示混淆矩陣。", + "confusionMatrixClassSelectionDefaultPlaceholder": "選擇類別", + "confusionMatrixHeatmapTooltip": "{0} 資料點應為 {1}，預測為 {2}", + "confusionMatrixYAxisLabel": "實際的類別", + "confusionMatrixXAxisLabel": "預測的類別", + "class": "類別" }, "nA": "N/A", - "disaggregatedAnalysisBaseCohortDisclaimer": "The cohorts in the following feature-based analysis are based on the global cohort, {0}.", + "disaggregatedAnalysisBaseCohortDisclaimer": "下列特徵型分析中的世代是以全域世代群組 {0} 為基礎。", "disaggregatedAnalysisBaseCohortWarning": "{1} 與 {0} 不同，其有包含篩選。因此，它只會擷取整個資料集的子集，且深入解析可能無法一般化為完整的資料集。", "probabilitySplineChartToggleLabel": "使用曲線圖", "countAxisLabel": "計數", @@ -1674,76 +1674,76 @@ "flyoutDescription": "您可以選擇要檢視資料集世代或功能世代。如果功能世代無法使用，您需要先在功能世代檢視中選取一或多個功能。接著，功能世代會隨即產生，而您可以在這裡選取它們。" }, "regressionTargetOptions": { - "predictedY": "Predicted Y", - "trueY": "True Y", - "error": "Error" + "predictedY": "預測的 Y", + "trueY": "實際的 Y", + "error": "錯誤" }, "topLevelDescription": "透過探索預測值和模型效能計量值的分佈來評估模型的效能。使用 [資料集世代] 索引標籤查看其跨不同預先建置或新建立之資料集世代的效能比較分析，以調查您的模型。使用 [特徵世代] 查看其跨敏感性/非敏感性特徵子世代的效能比較分析 (例如不同性別、收入等級的效能)，以調查您的模型。。", - "infoTitle": "Additional information on model overview", + "infoTitle": "模型概觀的其他資訊", "visualDisplayToggleLabel": "顯示熱度圖", "featureBasedViewDescription": "選取最多兩個特徵，以查看跨特徵型世代 (如果選取一個特徵) 或交點式世代 (如果選取兩個特徵) 的模型效能分解。" }, "TableViewTab": { - "Heading": "View the dataset in a table format for all features and rows." + "Heading": "以資料表格式檢視所有特徵和資料列的資料集。" } }, "Forecasting": { - "target": "Target", - "whatIfForecastingHeader": "What-if analysis", - "forecastHeader": "Forecast analysis", - "whatIfForecastingDescription": "What-if allows you to perturb features for your entire time series and observe how the model's forecast changes.", - "whatIfForecastingChooseTimeSeries": "To start, choose a time series from the options below.", - "forecastDescription": "Forecast analysis compares your model's forecast to the actual values of your time series. To enable what-if analysis, provide a dataset with features.", - "timeSeries": "Time series", - "selectTimeSeries": "Select a time series.", - "singleTimeSeries": "The dataset contains only a single time series '{0}' which has been selected by default.", - "trueY": "True Y", - "baselinePrediction": "Baseline prediction", - "forecastComparisonHeader": "Compare What-if Forecasts", - "forecastComparisonChartTitle": "Forecasts", - "forecastComparisonChartTimeAxisLabel": "Time", + "target": "目標", + "whatIfForecastingHeader": "假設狀況評估", + "forecastHeader": "趨勢預測分析", + "whatIfForecastingDescription": "假設狀況可讓您針對整個時間系列擾動特徵，並觀察模型的預測變更。", + "whatIfForecastingChooseTimeSeries": "若要開始，請從下列選項選擇時間系列。", + "forecastDescription": "預測分析會比較模型的預測與時間系列的實際值。若要啟用假設狀況評估，請提供具有特徵的資料集。", + "timeSeries": "時間序列", + "selectTimeSeries": "選取時間序列。", + "singleTimeSeries": "資料集僅包含預設選取的單一時間系列 '{0}'。", + "trueY": "實際的 Y", + "baselinePrediction": "基準預測", + "forecastComparisonHeader": "比較假設狀況趨勢預測", + "forecastComparisonChartTitle": "趨勢預測", + "forecastComparisonChartTimeAxisLabel": "時間", "Transformations": { - "multiply": "multiply", - "divide": "divide", - "add": "add", - "subtract": "subtract", - "change": "change to" + "multiply": "乘", + "divide": "除", + "add": "新增", + "subtract": "減", + "change": "變更為" }, "TransformationCreation": { - "title": "Create what-if scenario", - "nameLabel": "What-if scenario name", - "featureInstructions": "Choose a feature to perturb.", - "operationInstructions": "Choose an operation to apply to the feature.", - "operationDropdownHeader": "Operation", - "featureDropdownHeader": "Feature", - "valueSpinButtonHeader": "Value", - "scenarioNamingInstructionsPlaceholder": "Enter a unique name", - "scenarioNamingInstructions": "Enter a name for your what-if scenario.", - "scenarioNamingCollisionMessage": "This name exists already. Please enter a unique name.", - "scenarioNamingLengthMessage": "The name must be between 1 and 50 characters. The actual length is {0}.", - "scenarioNamingInvalidCharactersMessage": "The name can only contain alphanumeric characters, whitespaces, dashes, or underscores, and needs to start with an alphanumeric character.", - "valueErrorMessage": "For operation {0} please select a value other than {1}.", - "invalidCombinationErrorMessage": "This is identical to an existing what-if scenario. Please change the feature, operation, or value.", - "addTransformationButton": "Add Transformation", - "divisionAndMultiplicationBy": "by" + "title": "建立假設狀況案例", + "nameLabel": "假設狀況案例名稱", + "featureInstructions": "選擇要擾動的特徵。", + "operationInstructions": "選擇要套用此功能的作業。", + "operationDropdownHeader": "作業", + "featureDropdownHeader": "特徵", + "valueSpinButtonHeader": "值", + "scenarioNamingInstructionsPlaceholder": "輸入唯一名稱", + "scenarioNamingInstructions": "輸入您的假設狀況案例名稱。", + "scenarioNamingCollisionMessage": "此名稱已存在。請輸入唯一的名稱。", + "scenarioNamingLengthMessage": "名稱必須介於 1 到 50 個字元之間。實際長度為 {0}。", + "scenarioNamingInvalidCharactersMessage": "名稱只能包含英數字元、空白字元、虛線或底線，而且開頭必須包含英數字元。", + "valueErrorMessage": "針對作業 {0}，請選取 {1} 以外的值。", + "invalidCombinationErrorMessage": "這和現有的假設狀況案例相同。請變更特徵、作業或值。", + "addTransformationButton": "新增轉換", + "divisionAndMultiplicationBy": "由" }, "TransformationTable": { - "nameColumnHeader": "Name", - "methodColumnHeader": "Method", - "divisionAndMultiplicationBy": "by ", - "header": "What-if Forecasts ({0})" + "nameColumnHeader": "名稱", + "methodColumnHeader": "方法", + "divisionAndMultiplicationBy": "由 ", + "header": "假設狀況趨勢預測 ({0})" }, "TimeSeries": { - "apply": "Apply", - "cancel": "Cancel", - "cohortList": "Time series list", - "selectCohort": "Select a time series", - "shiftCohort": "Switch time series", - "shiftCohortDescription": "Select a time series from the time series list. Apply the time series to the dashboard." + "apply": "套用", + "cancel": "取消", + "cohortList": "時間系列清單", + "selectCohort": "選取時間序列", + "shiftCohort": "切換時間系列", + "shiftCohortDescription": "從時間系列清單中選取時間系列。將時間系列套用至儀表板。" }, "TimeSeriesSettings": { - "CohortSettingsDescription": "Time series are pre-defined based on time series identifying columns.", - "CohortSettingsTitle": "Time series settings" + "CohortSettingsDescription": "時間系列是根據時間系列識別資料行預先定義。", + "CohortSettingsTitle": "時間系列設定" } } } \ No newline at end of file