Machine Learning – Bewertung
Wichtig
Der Support für Machine Learning Studio (klassisch) endet am 31. August 2024. Es wird empfohlen, bis zu diesem Datum auf Azure Machine Learning umzustellen.
Ab dem 1. Dezember 2021 können Sie keine neuen Ressourcen in Machine Learning Studio (klassisch) mehr erstellen. Bis zum 31. August 2024 können Sie die vorhandenen Ressourcen in Machine Learning Studio (klassisch) weiterhin verwenden.
- Siehe Migrieren zu Azure Machine Learning
- Weitere Informationen zu Azure Machine Learning.
Die Dokumentation zu ML Studio (klassisch) wird nicht mehr fortgeführt und kann künftig nicht mehr aktualisiert werden.
In diesem Abschnitt werden die Module aufgeführt, die in Machine Learning Studio (klassisch) für die Bewertung bereitgestellt werden.
Hinweis
Gilt nur für: Machine Learning Studio (klassisch)
Ähnliche Drag & Drop-Module sind im Azure Machine Learning-Designer verfügbar.
Die Bewertung wird auch als Vorhersage bezeichnet und ist der Prozess der Generierung von Werten basierend auf einem trainierten Machine Learning-Modell, wenn einige neue Eingabedaten zur Verfügung stehen. Die erstellten Werte oder Bewertungen können Vorhersagen zukünftiger Werte darstellen, aber sie können auch eine wahrscheinliche Kategorie oder ein Wahrscheinlichkeitsergebnis darstellen. Die Bedeutung der Bewertung hängt vom Typ der von Ihnen eingegebenen Daten und vom Typ des modells ab, das Sie erstellt haben.
Erstellen und Verwenden von Modellen in Machine Learning Studio (klassisch)
Der typische Workflow für maschinelles Lernen umfasst diese Phasen:
- Auswählen eines geeigneten Algorithmus und Festlegen der anfänglichen Optionen.
- Trainieren des Modells mit kompatiblen Daten.
- Erstellen von Vorhersagen mithilfe neuer Daten basierend auf den Mustern im Modell.
- Auswerten des Modells, um zu bestimmen, ob die Vorhersagen genau sind, wie viele Fehler vorliegen und ob eine Überanpassung vorliegt.
Machine Learning Studio (klassisch) unterstützt ein flexibles, anpassbares Framework für maschinelles Lernen. Jede Aufgabe in diesem Prozess wird von einem bestimmten Modultyp ausgeführt, der geändert, hinzugefügt oder entfernt werden kann, ohne den Rest des Experiments zu verändern.
Die Module in diesem Abschnitt enthalten Tools für die Bewertung. In dieser Phase des maschinellen Lernens wenden Sie ein trainiertes Modell auf neue Daten an, um Vorhersagen zu generieren. Sie können diese Vorhersagen entweder an eine Anwendung senden, die Machine Learning-Ergebnisse nutzt, oder die Ergebnisse der Bewertung verwenden, um die Genauigkeit und Nützlichkeit des Modells auszuwerten.
Weitere Informationen zur Bewertung
Die Bewertung wird häufig beim maschinellen Lernen verwendet, um den Prozess der Generierung neuer Werte mit einem Modell und einigen neuen Eingaben zu verstehen. Der generische Begriff "Score" wird anstelle von "Vorhersage" verwendet, da der Bewertungsprozess so viele verschiedene Typen von Werten generieren kann:
- Eine Liste der empfohlenen Elemente und eine Ähnlichkeitsbewertung.
- Numerische Werte für Zeitreihenmodelle und Regressionsmodelle.
- Ein Wahrscheinlichkeitswert, der die Wahrscheinlichkeit angibt, dass eine neue Eingabe zu einer vorhandenen Kategorie gehört.
- Der Name einer Kategorie oder eines Clusters, der ein neues Element am ähnlichsten ist.
- Eine vorhergesagte Klasse oder ein vorhergesagtes Ergebnis für Klassifizierungsmodelle.
Hinweis
Möglicherweise haben Sie auch die Wortbewertung gehört, die als Ergebnis der Datenanalyse als Gewichtung oder Wert verwendet wird. In Machine Learning Studio (klassisch) kennzeichnet die Bewertung jedoch in der Regel den Prozess der Generierung vorhergesagter Werte aus neuen Daten.
Wenn Sie in Ihrem Experiment eines dieser Module hinzufügen, müssen Sie ein bereits trainiertes Machine Learning-Modell und einige neue Daten anfügen. Wenn Sie das Experiment oder das ausgewählte Modul ausführen, erfasst das Bewertungsmodul die neuen Daten, berechnet Bewertungen basierend auf dem Modell und gibt die Ergebnisse in einer Tabelle zurück.
Für die Bewertung verwendete Daten
Die neuen Daten, die Sie als Eingabe bereitstellen, müssen in der Regel die gleichen Spalten aufweisen, die zum Trainieren des Modells verwendet wurden, abzüglich der Bezeichnung oder Ergebnisspalte.
Spalten, die ausschließlich als Bezeichner verwendet werden, werden normalerweise beim Trainieren eines Modells ausgeschlossen und sollten daher auch bei der Bewertung ausgeschlossen werden. Bezeichner wie Primärschlüssel können jedoch später mit dem Bewertungsdataset mithilfe des Moduls Spalten hinzufügen einfach neu kombiniert werden. Dieses Modul funktioniert, ohne dass Sie einen Joinschlüssel angeben müssen, solange sich die Größe des Datasets nicht geändert hat.
Bevor Sie die Bewertung für Ihr Dataset durchführen, sollten Sie immer nach fehlenden Werten und NULL-Werten suchen. Wenn daten, die als Eingabe für die Bewertung verwendet werden, fehlende Werte enthalten, werden die fehlenden Werte als Eingaben verwendet. Da NULL-Werte weitergegeben werden, ist das Ergebnis in der Regel ein fehlender Wert.
Liste der Bewertungsmodule
Machine Learning Studio (klassisch) bietet viele verschiedene Bewertungsmodule. Sie wählen je nach Modelltyp, den Sie verwenden, oder dem Typ der Bewertungsaufgabe, die Sie ausführen, eine Auswählung aus:
Transformation anwenden: Wendet eine klar angegebene Datentransformation auf ein Dataset an.
Verwenden Sie dieses Modul, um einen gespeicherten Prozess auf einen Satz von Daten anzuwenden.
Zuweisen von Daten zu Clustern: Weist Clustern Daten mithilfe eines vorhandenen trainierten Clustermodells zu.
Verwenden Sie dieses Modul, wenn Sie neue Daten basierend auf einem vorhandenen K-Means-Clusteringmodell gruppieren möchten.
Dieses Modul ersetzt das Modul Assign to Clusters (Zu Clustern zuweisen) (veraltet), das veraltet ist, aber weiterhin für die Verwendung in vorhandenen Experimenten verfügbar ist.
Score Matchbox Recommender: Bewertet Vorhersagen für ein Dataset mithilfe der Matchbox-Empfehlung.
Verwenden Sie dieses Modul, wenn Sie Empfehlungen generieren, verwandte Elemente oder Benutzer suchen oder Bewertungen vorhersagen möchten.
Bewertungsmodell: Bewertet Vorhersagen für ein trainiertes Klassifizierungs- oder Regressionsmodell.
Verwenden Sie dieses Modul für alle anderen Regressions- und Klassifizierungsmodelle sowie einige Anomalieerkennungsmodelle.
Zugehörige Aufgaben
- Für Vowpal Wabbit werden spezielle Bewertungsmodule bereitgestellt. Weitere Informationen finden Sie unter Textanalyse.
- Sie können mithilfe der OpenCV-Bibliothek für spezielle Klassen von Bildern in vortrainierten Modellen eine Bewertung erstellen.
- Das Modul Time Series Anomaly Detection generiert Bewertungen, die potenzielle Abweichungen von einem Trend darstellen.
Beispiele
Diese Beispiele im Azure KI-Katalog veranschaulichen den Bewertungsprozess von einfachen bis hin zu erweiterten Szenarien:
Binäre Klassifizierung für Direct Marketing: Veranschaulicht den grundlegenden Workflow für die Bewertung in einem Szenario, in dem der vorhergesagte Wert die Reaktion des Kunden auf eine Marketingkampagne ist.
Predict Book Reviews: Scoring on text data. (Vorhersagen von Buchüberprüfungen: Bewertung von Textdaten. Verwendet ein logistisches Regressionsmodell.
Learning mit Anzahl: Zeigt Ihnen, wie Sie die count-basierte Featurisierung zum Treffen von Vorhersagen verwenden.
Batchbewertung ohne Code mit Logic Apps und Machine Learning: Veranschaulicht den End-to-End-Prozess von Training und Bewertung, automatisiert mit dem Logic Apps Feature von Azure App Service.
Die folgenden Artikel enthalten reale Beispiele dafür, wie Sie ein Machine Learning-Modell für die Bewertung verwenden können: