Scorer le modèle Vowpal Wabbit

  • Article

Cet article explique comment utiliser le composant Score Vowpal Wabbit Model dans le concepteur Azure Machine Learning afin de générer des scores pour un ensemble de données d’entrée, à l’aide d’un modèle Vowpal Wabbit entraîné et déjà existant.

Ce composant fournit la dernière version du framework Vowpal Wabbit, la version 8.8.1. Utilisez ce composant pour scorer les données à l’aide d’un modèle entraîné enregistré au format VW version 8.

Guide pratique pour configurer le module Score Vowpal Wabbit Model

  1. Ajoutez le composant Score Vowpal Wabbit Model à votre expérience.

  2. Ajoutez un modèle Vowpal Wabbit entraîné, et connectez-le au port d’entrée de gauche. Vous pouvez utiliser un modèle entraîné créé dans la même expérience, ou localiser un modèle enregistré dans la catégorie Jeux de données du volet de navigation gauche du concepteur. Toutefois, le modèle doit être disponible dans le concepteur Azure Machine Learning.

    Notes

    Seuls les modèles Vowpal Wabbit 8.8.1 sont pris en charge. Vous ne pouvez pas connecter des modèles enregistrés qui ont été entraînés à l’aide d’autres algorithmes.

  3. Ajoutez le jeu de données de test, puis connectez-le au port d’entrée de droite. Si le jeu de données de test est un répertoire qui contient le fichier de données de test, spécifiez le nom du fichier de données de test dans Name of the test data file (Nom du fichier de données de test). Si le jeu de données de test correspond à un seul fichier, n’indiquez rien dans Name of the test data file (Nom du fichier de données de test).

  4. Dans la zone de texte VW arguments (Arguments VW), tapez un ensemble d’arguments de ligne de commande valides pour l’exécutable Vowpal Wabbit.

    Pour plus d’informations sur les arguments Vowpal Wabbit pris en charge et non pris en charge dans Azure Machine Learning, consultez la section Notes techniques.

  5. Name of the test data file (Nom du fichier de données de test) : tapez le nom du fichier qui contient les données d’entrée. Cet argument est utilisé uniquement quand le jeu de données de test est un répertoire.

  6. Specify file type (Spécifier le type de fichier) : indiquez le format utilisé par vos données d’entraînement. Vowpal Wabbit prend en charge les deux formats de fichiers d’entrée suivants :

    • VW représente le format interne utilisé par Vowpal Wabbit. Pour plus d’informations, consultez la page wiki de Vowpal Wabbit.
    • SVMLight est un format utilisé par d’autres outils de machine learning.

  7. Sélectionnez l’option Include an extra column containing labels (Inclure une colonne supplémentaire contenant des étiquettes), si vous souhaitez afficher des étiquettes avec les scores.

    En règle générale, durant le traitement des données de texte, Vowpal Wabbit ne nécessite pas d’étiquettes. Il retourne uniquement les scores pour chaque ligne de données.

  8. Sélectionnez l’option Inclure une colonne supplémentaire contenant des scores bruts si vous souhaitez afficher des scores bruts avec les résultats.

  9. Envoyez le pipeline.

Résultats

Une fois l’apprentissage terminé :

  • Pour visualiser les résultats, cliquez avec le bouton droit sur la sortie du composant Score Vowpal Wabbit Model. La sortie indique un score de prédiction normalisé allant de 0 à 1.

  • Pour évaluer les résultats, le jeu de données de sortie doit contenir des noms de colonnes de score spécifiques, qui répondent aux exigences du composant Evaluate Model (Évaluer le modèle).

    • Pour la tâche de régression, le jeu de données à évaluer doit avoir une colonne, nommée Regression Scored Labels, qui représente les étiquettes associées à un score.
    • Pour la tâche de classification binaire, le jeu de données à évaluer doit avoir deux colonnes, nommées Binary Class Scored Labels,Binary Class Scored Probabilities, qui représentent respectivement les étiquettes associées à un score et les probabilités.
    • Pour la tâche de classification multiple, le jeu de données à évaluer doit avoir une colonne, nommée Multi Class Scored Labels, qui représente les étiquettes associées à un score.

    Notez que les résultats du composant Score Vowpal Wabbit Model ne peuvent pas être évalués directement. Avant l’évaluation, le jeu de données doit être modifié conformément aux exigences ci-dessus.

Notes techniques

Cette section contient des détails, des conseils et des réponses aux questions fréquentes concernant l’implémentation.

Paramètres

Vowpal Wabbit propose de nombreuses options de ligne de commande pour le choix et le réglage des algorithmes. La description complète de ces options n’est pas possible ici. Nous vous recommandons de consulter la page wiki Vowpal Wabbit.

Les paramètres suivants ne sont pas pris en charge dans Azure Machine Learning Studio (classique).

  • Les options d’entrée/de sortie spécifiées dans https://github.com/JohnLangford/vowpal_wabbit/wiki/Command-line-arguments

    Ces propriétés sont déjà configurées automatiquement par le composant.

  • En outre, toute option qui génère plusieurs sorties ou accepte plusieurs entrées est interdite. Il s’agit notamment de --cbt , --lda et --wap .

  • Seuls les algorithmes de machine learning supervisé sont pris en charge. Les options suivantes ne sont pas autorisées : –active, --rank, --search, etc.

Tous les arguments autres que ceux décrits ci-dessus sont autorisés.

Étapes suivantes

Consultez les composants disponibles pour Azure Machine Learning.