Score Vowpal Wabbit Version 8 Model (Vowpal Wabbit-Modelle der Version 8 bewerten)

  • Artikel

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.

Die Dokumentation zu ML Studio (klassisch) wird nicht mehr fortgeführt und kann künftig nicht mehr aktualisiert werden.

Bewertet Daten mithilfe des Machine Learning-Systems "Vowpal Wabbit" über die Befehlszeilenschnittstelle

Kategorie: Textanalyse

Hinweis

Gilt nur für: Machine Learning Studio (klassisch)

Ähnliche Drag & Drop-Module sind im Azure Machine Learning-Designer verfügbar.

Modulübersicht

In diesem Artikel wird beschrieben, wie Sie das Modul Score Vowpal Wabbit Version 8 Model in Machine Learning Studio (klassisch) verwenden, um Mithilfe eines vorhandenen trainierten Vowpal Wabbit-Modells Bewertungen für einen Satz von Eingabedaten zu generieren.

Dieses Modul bietet die neueste Version des Vowpal Wabbit-Frameworks, Version 8. Bewerten Sie mit diesem Modul Daten mithilfe eines trainierten Modells, das im VW-Format Version 8 gespeichert ist.

Wenn Sie vorhandene Modelle mit einer früheren Version erstellt haben, verwenden Sie diese Module:

Konfigurieren von Score Vowpal Wabbit Model 8

  1. Fügen Sie Ihrem Experiment das Modul Score Vowpal Wabbit Version 8 Model hinzu.

  2. Fügen Sie ein trainiertes Vowpal Wabbit-Modell hinzu, und verbinden Sie es mit dem linken Eingabeport. Sie können ein trainiertes Modell verwenden, das im gleichen Experiment erstellt wurde, oder ein gespeichertes Modell in der Gruppe Trainierte Modelle im linken Navigationsbereich von Studio (klassisch) suchen. Das Modell muss jedoch in Machine Learning Studio (klassisch) verfügbar sein. Sie können ein Modell nicht direkt aus Azure Storage laden.

    Hinweis

    Es werden nur Vowpal Wabbit 8-Modelle unterstützt. Sie können keine Verbindung zwischen gespeicherten Modellen herstellen, die mit anderen Algorithmen trainiert wurden, und Sie können keine Modelle verwenden, die mit früheren Versionen trainiert wurden.

  3. Geben Sie im Textfeld VW arguments (VW-Argumente) eine Gruppe gültiger Befehlszeilenargumente für die ausführbare Datei für Vowpal Wabbit an.

    Informationen dazu, welche Vowpal Wabbit-Argumente in Machine Learning unterstützt und nicht unterstützt werden, finden Sie im Abschnitt Technische Hinweise.

  4. Klicken Sie auf Datentyp angeben, und wählen Sie einen der unterstützten Datentypen aus der Liste aus.

    Die Bewertung erfordert eine einzelne Spalte mit VW-kompatiblen Daten.

    Wenn Sie über eine vorhandene Datei verfügen, die im SVMLight- oder VW-Format erstellt wurde, können Sie sie als neues Dataset in einem der folgenden Formate in den Azure ML-Arbeitsbereich laden: Generisches CSV ohne Header, TSV ohne Header.

    Die VW-Option erfordert, dass eine Bezeichnung vorhanden ist, aber sie wird nur für Vergleiche in der Bewertung verwendet.

  5. Fügen Sie ein Import Data-Modul hinzu, und verbinden Sie es mit dem rechten Eingabeport von Score Vowpal Wabbit Version 8. Konfigurieren Sie Daten importieren für den Zugriff auf die Eingabedaten.

    Die Eingabedaten für die Bewertung müssen im Voraus in einem der unterstützten Formate vorbereitet und in Azure Blob Storage gespeichert worden sein.

  6. Wählen Sie die Option Include an extra column containing labels (Eine zusätzliche Spalte mit Bezeichnungen einschließen) aus, wenn Sie Bezeichnungen mit den Bewertungen ausgeben möchten.

    Bei der Verarbeitung von Textdaten setzt Vowpal Wabbit in der Regel keine Bezeichnungen voraus, und es werden nur die Ergebnisse für jede Datenzeile zurückgegeben.

  7. Wählen Sie die Option Include an extra column containing raw scores (Eine zusätzliche Spalte mit Rohergebnissen einschließen) aus, wenn Sie Rohergebnisse mit den Bewertungen ausgeben möchten.

    Tipp

    Diese Option ist für Vowpal Wabbit Version 8 neu.

  8. Wählen Sie die Option Zwischengespeicherte Ergebnisse verwenden aus, wenn Sie Ergebnisse aus einer vorherigen Ausführung wiederverwenden möchten, vorausgesetzt, die folgenden Bedingungen sind erfüllt:

    • Ein gültiger Cache ist aus einer vorherigen Ausführung vorhanden.

    • Die Eingabedaten- und Parametereinstellungen des Moduls haben sich seit der vorherigen Ausführung nicht geändert.

    Andernfalls wird der Importvorgang bei jeder Ausführung des Experiments wiederholt.

  9. Führen Sie das Experiment aus.

Ergebnisse

Nach Abschluss des Trainings:

Die Ausgabe gibt an, dass ein Vorhersageergebnis von 0 bis 1 normalisiert wurde.

Beispiele

Beispiele für die Verwendung von Vowpal Wabbit in Machine Learning finden Sie im Azure KI-Katalog:

  • Vowpal Wabbit-Beispiel

    Dieses Experiment veranschaulicht die Datenvorbereitung, das Training und die Operationalisierung eines VW-Modells.

Das folgende Video enthält eine exemplarische Vorgehensweise zum Trainings- und Bewertungsprozess für Vowpal Wabbit:

https://azure.microsoft.com/documentation/videos/text-analytics-and-vowpal-wabbit-in-azure-ml-studio/

Technische Hinweise

Dieser Abschnitt enthält Implementierungsdetails, Tipps und Antworten auf häufig gestellte Fragen.

Parameter

Vowpal Wabbit verfügt über viele Befehlszeilenoptionen zum Auswählen und Optimieren von Algorithmen. Eine vollständige Erläuterung dieser Optionen ist hier nicht möglich. Sie sollten die Wiki-Seite von Vowpal Wabbit besuchen.

Die folgenden Parameter werden in Machine Learning Studio (klassisch) nicht unterstützt.

  • Die unter https://github.com/JohnLangford/vowpal_wabbit/wiki/Command-line-arguments aufgeführten Eingabe-/Ausgabeoptionen.

    Diese Eigenschaften werden bereits automatisch vom Modul konfiguriert.

  • Außerdem sind alle Optionen, die mehrere Ausgaben generieren oder mehrere Eingaben erfordern, nicht zulässig. Dazu zählen --cbt , --lda und --wap .

  • Nur überwachte Lernalgorithmen werden unterstützt. Dies lässt diese Optionen nicht zu: –active, --rank, --search usw.

Alle anderen Argumente als die oben beschriebenen sind zulässig.

Erwartete Eingaben

Name Type BESCHREIBUNG
Trainiertes Modell ILearner-Schnittstelle Trainiertes Lernmodul
Dataset Datentabelle Zu bewertendes Dataset

Modulparameter

Name Range type Standard Beschreibung
Angeben des Datentyps VW

SVMLight		 DataType VW Geben Sie an, ob der Dateityp SVMLight oder Vowpal Wabbit ist.
VW arguments any String Keine Eingeben von Vowpal Wabbit-Argumenten. Schließen Sie -i oder -p oder -t nicht ein.
Einschließen einer zusätzlichen Spalte mit Bezeichnungen. TRUE/FALSE Boolean false Angeben, ob die ZIP-Datei zusätzlich zu den Vorhersagen Bezeichnungen aufnehmen soll.
Einschließen einer zusätzlichen Spalte mit rohen Bewertungen TRUE/FALSE Boolean false Geben Sie an, ob das Ergebnis zusätzliche Spalten mit den Rohbewertungen enthalten soll (entsprechend --raw_predictions).

Ausgaben

Name Type Beschreibung
Ergebnisdataset Datentabelle Dataset mit den Vorhersageergebnissen

Ausnahmen

Ausnahme Beschreibung
Fehler 0001 Eine Ausnahme tritt auf, wenn eine oder mehrere angegebene Spalten des Datasets nicht gefunden werden konnten.
Fehler 0003 Eine Ausnahme tritt auf, wenn mindestens eine Eingabe NULL oder leer ist.
Fehler 0004 Eine Ausnahme tritt auf, wenn der Parameter kleiner als oder gleich dem bestimmten Wert ist.
Fehler 0017 Die Ausnahme tritt auf, wenn eine oder mehrere angegebene Spalten einen Typ aufweisen, der im aktuellen Modul nicht unterstützt wird.

Eine Liste der Fehler, die für Studio-Module (klassisch) spezifisch sind, finden Sie unter Machine Learning Fehlercodes.

Eine Liste der API-Ausnahmen finden Sie unter Machine Learning REST-API-Fehlercodes.

Siehe auch

Textanalyse
Feature Hashing
Erkennung benannter Entitäten
Bewerten des Vowpal Wabbit 7–4-Modells
Trainieren des Vowpal Wabbit 7-4-Modells
Trainieren des Vowpal Wabbit 8-Modells
Modulliste von A bis Z