Score Vowpal Wabbit Version 7-10 Model (puntuar un modelo de Vowpal Wabbit versión 7-10)

Importante

El soporte técnico de Machine Learning Studio (clásico) finalizará el 31 de agosto de 2024. Se recomienda realizar la transición a Azure Machine Learning antes de esa fecha.

A partir del 1 de diciembre de 2021 no se podrán crear recursos de Machine Learning Studio (clásico). Hasta el 31 de agosto de 2024, puede seguir usando los recursos de Machine Learning Studio (clásico) existentes.

• Consulte la información acerca de traslado de proyectos de aprendizaje automático de ML Studio (clásico) a Azure Machine Learning.
• Más información sobre Azure Machine Learning.

La documentación de ML Studio (clásico) se está retirando y es posible que no se actualice en el futuro.

Puntúa datos mediante el sistema de aprendizaje automático de Vowpal Wabbit desde la interfaz de la línea de comandos

Categoría: Text Analytics

Nota:

Solo se aplica a: Machine Learning Studio (clásico)

Hay módulos para arrastrar y colocar similares en el diseñador de Azure Machine Learning.

Información general sobre el módulo

En este artículo se describe cómo usar el módulo Score Vowpal Wabbit Version 7-10 Model (Puntuar modelo de Vowpal Wabbit versión 7-10) en Machine Learning Studio (clásico) para generar puntuaciones para un conjunto de datos de entrada, mediante un modelo de Vowpal Wabbit existente.

En este módulo se usa la versión 7-10 del marco vowpal Wabbit. Use este módulo para puntuar los datos mediante un modelo entrenado que se guardó en el formato 7-10.

Si tiene modelos existentes creados con una versión anterior, use estos módulos:

• Entrenar el modelo 7-4 de Vowpal Wabbit
• Puntuación del modelo 7-4 de Vowpal Wabbit

Para la versión más reciente de Vowpal Wabbit, use:

• Entrenar el modelo 8 de Vowpal Wabbit
• Puntuación del modelo 8 de Vowpal Wabbit

Configuración del modelo Score Vowpal Wabbit versión 7-10

1. Agregue el módulo Score Vowpal Wabbit Version 7-10 Model (Puntuar modelo de Vowpal Wabbit versión 7-10 ) al experimento.

2. Agregue un modelo de Vowpal Wabbit entrenado y conéctelo al puerto de entrada de la izquierda. Puede usar un modelo entrenado creado en el mismo experimento o buscar un modelo guardado en el panel de navegación izquierdo del grupo Modelos entrenados de Studio (clásico).

   Restricciones

   El modelo debe estar disponible en Machine Learning Studio (clásico); no se puede cargar directamente un modelo desde Azure Storage.

   Solo se admiten los modelos Vowpal Wabbit 7-10; no puede conectar modelos guardados entrenados mediante otros algoritmos y no puede usar modelos entrenados con versiones anteriores o posteriores.

3. En el cuadro de texto Argumentos de VW, escriba un conjunto de argumentos válidos de la línea de comandos para el ejecutable de Vowpal Wabbit.
   Para obtener información sobre qué argumentos de Vowpal Wabbit se admiten y no se admiten Machine Learning, consulte la sección Notas técnicas.

4. Haga clic en Especificar tipo de datos y seleccione uno de los tipos de datos admitidos en la lista.

   La puntuación requiere una sola columna de datos compatibles con VW.

   Si tiene un archivo existente creado en los formatos SVMLight o VW, puede cargarlo en el área de trabajo de Azure ML como un nuevo conjunto de datos en uno de estos formatos: CSV genérico sin encabezado, TSV sin encabezado.

   La opción VW requiere que una etiqueta esté presente, pero no se usa en la puntuación, excepto para la comparación.

5. Agregue el módulo Importar datos y conéctelo al puerto de entrada derecho de Score Vowpal Wabbit Versión 7-10. Configure importar datos para acceder a los datos de entrada.

   Los datos de entrada para la puntuación se deben haber preparado con antelación en uno de los formatos admitidos y almacenados en Azure Blob Storage.

6. Seleccione la opción Incluir una columna adicional que contiene etiquetas si quiere generar etiquetas junto con las puntuaciones.

   Normalmente, al controlar datos de texto, Vowpal Wabbit no requiere etiquetas y devuelve solo las puntuaciones de cada fila de datos.

7. Seleccione la opción Usar resultados almacenados en caché si desea volver a usar los resultados de una ejecución anterior, suponiendo que se cumplen las condiciones siguientes:

   • Existe una caché válida de una ejecución anterior.

   • La configuración de los parámetros y los datos de entrada del módulo no ha cambiado desde la ejecución anterior.

   De lo contrario, el proceso de importación se repite cada vez que se ejecuta el experimento.

8. Ejecute el experimento.

Results

Una vez completado el entrenamiento:

• Para visualizar los resultados, haga clic con el botón derecho en la salida del módulo Score Vowpal Wabbit Version 7-10 Model (Puntuar modelo de Vowpal Wabbit versión 7-10 ).

La salida indica una puntuación de predicción normalizada de 0 a 1.

Ejemplos

Para obtener ejemplos de cómo se puede usar Vowpal Wabbit en el aprendizaje automático, consulte el Azure AI Gallery:

• Ejemplo de Vowpal Wabbit

  En este experimento se muestra la preparación, el entrenamiento y la operacionalización de datos de un modelo VW.

En el vídeo siguiente se proporciona un tutorial del proceso de entrenamiento y puntuación para Vowpal Wabbit:

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

Notas técnicas

Esta sección contiene detalles de implementación, sugerencias y respuestas a las preguntas más frecuentes.

Parámetros

Vowpal Wabbit tiene muchas opciones de la línea de comandos para elegir y ajustar algoritmos. Aquí no se puede obtener una descripción completa de estas opciones. Se recomienda consultar la página wiki de Vowpal Wabbit.

Los parámetros siguientes no se admiten en Machine Learning Studio (clásico).

• Las opciones de entrada/salida especificadas en https://github.com/JohnLangford/vowpal_wabbit/wiki/Command-line-arguments

  El módulo ya configura automáticamente estas propiedades.

• Tampoco se permite ninguna opción que genere o acepte varias salidas. Estas incluyen --cbt , --lda y --wap .

• Solo se admiten algoritmos de aprendizaje supervisado. Esto no permite estas opciones: –active, --rank, --search, etc.

Se permiten todos los argumentos distintos de los descritos anteriormente.

Entradas esperadas

Nombre	Tipo	Descripción
Modelo entrenado	Interfaz ILearner	Aprendiz entrenado
Dataset	Tabla de datos	Conjunto de datos que se desea puntuar

Parámetros del módulo

Nombre	Intervalo	Tipo	Valor predeterminado	Descripción
Argumentos de VW	Any	Cadena	ninguno	Escriba los argumentos de Vowpal Wabbit. No se admiten los argumentos siguientes: - -i - -p o - -t
Incluir una columna adicional que contiene etiquetas	Verdadero/Falso	Boolean	false	Especificar si el archivo comprimido debe incluir etiquetas con las predicciones
Especificar el tipo de datos	VW SVMLight	DataType	VW	Indicar si el formato de archivo es SVMLight o Vowpal Wabbit

Salidas

Nombre	Tipo	Descripción
Conjunto de datos de resultados	Tabla de datos	Conjunto de datos con los resultados de la predicción

Excepciones

Excepción	Descripción
Error 0001	Se produce una excepción si no se encontraron una o más columnas especificadas del conjunto de datos.
Error 0003	Se produce una excepción si una o varias de las entradas son NULL o están vacías.
Error 0004	Se produce una excepción si el parámetro es menor o igual que el valor especificado.
Error 0017	Se produce una excepción si una o varias columnas especificadas tienen un tipo no compatible con el módulo actual.

Para obtener una lista de errores específicos de los módulos de Studio (clásico), consulte Machine Learning códigos de error.

Para obtener una lista de excepciones de API, consulte Machine Learning códigos de error de la API REST.

Consulte también

Text Analytics
Hash de características
Reconocimiento de entidades con nombre
Puntuación del modelo 7-4 de Vowpal Wabbit
Entrenar el modelo 7-4 de Vowpal Wabbit
Entrenar el modelo 7-10 de Vowpal Wabbit
Lista de módulos A-Z