Bewerten eines Modells

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.

Bewertet Vorhersagen für ein trainiertes Klassifikations- oder Regressionsmodell.

Kategorie: Machine Learning/Bewertung

Hinweis

Gilt 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 Model in Machine Learning Studio (klassisch) verwenden, um Vorhersagen mithilfe eines trainierten Klassifizierungs- oder Regressionsmodells zu generieren.

Verwenden des Bewertungsmodells

1. Fügen Sie ihrem Experiment in Studio (klassisch) das Modul Score Model hinzu.

2. Fügen Sie ein trainiertes Modell und ein Dataset mit neuen Eingabedaten an.

   Die Daten sollten in einem Format vorliegen, dass mit dem Typ des trainierten Modells kompatibel ist, das Sie verwenden. Das Schema des Eingabedatasets sollte auch generell mit dem Schema der zum Trainieren des Modells verwendeten Daten übereinstimmen.

3. Führen Sie das Experiment aus.

Ergebnisse

Nachdem Sie eine Reihe von Bewertungen mit dem Bewertungsmodell generiert haben:

• Um einen Satz von Metriken zu generieren, die zum Auswerten der Genauigkeit (Leistung) des Modells dienen, können Sie das bewertete Dataset mit dem Auswertungsmodell verbinden,
• Klicken Sie mit der rechten Maustaste auf das Modul, und wählen Sie Visualisieren aus, um ein Beispiel der Ergebnisse zu sehen.
• Speichern Sie die Ergebnisse in einem Dataset.

Das Ergebnis, oder der vorhergesagte Wert, kann je nach Modell und Eingabedaten in vielen verschiedenen Formaten vorliegen:

• Für Klassifizierungsmodelle gibt Bewertungsmodell einen vorhergesagten Wert für die Klasse sowie die Wahrscheinlichkeit des vorhergesagten Werts aus.
• Für Regressionsmodelle generiert Bewertungsmodell lediglich den vorhergesagten numerischen Wert.
• Für Bildklassifizierungsmodelle könnte die Bewertung die Klasse des Objekts im Bild oder ein boolescher Wert sein, der angibt, ob ein bestimmtes Feature gefunden wurde.

Veröffentlichen eines Modells als Webdienst

Eine häufige Verwendung der Bewertung ist die Rückgabe der Ausgabe als Teil eines Vorhersagewebdiensts. Weitere Informationen finden Sie in diesem Tutorial zum Erstellen eines Webdiensts basierend auf einem Experiment in Azure ML Studio (klassisch):

• Veröffentlichen eines Webdiensts über Azure ML Studio (klassisch)

Beispiele

Beispiele für die Verwendung des Bewertungsmodells in einem experimentellen Workflow finden Sie im Azure KI-Katalog:

• Vergleich binärer Klassifizierungsmodelle
• Vergleich mehrklassiger Klassifizierungsmodelle
• Vergleich mehrerer Regressionsmodelle

Technische Hinweise

Modelle, die vom Bewertungsmodell nicht unterstützt werden

Wenn Sie mit einem der folgenden speziellen Modelltypen arbeiten, müssen Sie eventuell eines der folgenden benutzerdefinierten Bewertungsmodule verwenden:

• Bewertung eines Clusteringmodells: Verwenden Sie Assign Data to Clusters (Zuweisen von Daten zu Clustern).

• Erstellen von Empfehlungen oder Generieren von Daten zum Auswerten eines Empfehlungsers: Verwenden von Score Matchbox Recommender

Verwendungstipps

Wenn die Daten, die Sie bewerten, fehlende Werte enthalten, wird in vielen Fällen für die gesamte Zeile keine Bewertung generiert.

Die folgenden maschinellen Lernmodelle erfordern Daten ohne fehlende Werte. Wenn Sie die folgenden Machine Learning-Modelle verwenden, überprüfen Sie die Daten, bevor Sie sie an Score Model übergeben, und verwenden Sie Clean Missing Data (Fehlende Daten bereinigt), um die fehlenden Werte in Eingabespalten zu ändern.

• Logistische Regression mit zwei Klassen
• Zweiklassige Support Vector Machine

Erwartete Eingaben

Name	Type	BESCHREIBUNG
Trainiertes Modell	ILearner-Schnittstelle	Trainiertes Vorhersagemodell
Dataset	Datentabelle	Eingabetest-Dataset

Ausgaben

Name	Type	Beschreibung
Bewertetes Dataset	Datentabelle	Dataset mit erzielten Bewertungen

Ausnahmen

Ausnahme	Beschreibung
Fehler 0032	Eine Ausnahme tritt auf, wenn das Argument keine Zahl ist.
Fehler 0033	Eine Ausnahme tritt auf, wenn das Argument „Infinity“ (Unendlich) ist.
Fehler 0003	Eine Ausnahme tritt auf, wenn mindestens eine Eingabe NULL oder leer ist.
Fehler 0013	Eine Ausnahme tritt auf, wenn der Typ des Lernmoduls, das an das Modul weitergeleitet wird, ungültig ist.

Siehe auch

Evaluieren
Train Model (Modell trainieren)
Score Matchbox Recommender (Matchbox Recommender bewerten)