Noter un modèle
Important
Le support de Machine Learning Studio (classique) prend fin le 31 août 2024. Nous vous recommandons de passer à Azure Machine Learning avant cette date.
À partir du 1er décembre 2021, vous ne pourrez plus créer de nouvelles ressources Machine Learning Studio (classique). Jusqu’au 31 août 2024, vous pouvez continuer à utiliser les ressources Machine Learning Studio (classique) existantes.
- Consultez les informations sur le déplacement des projets de machine learning de ML Studio (classique) à Azure Machine Learning.
- En savoir plus sur Azure Machine Learning.
La documentation ML Studio (classique) est en cours de retrait et ne sera probablement plus mise à jour.
Évalue des prédictions pour un modèle de classification ou de régression formé
catégorie : Machine Learning/Score
Notes
s’applique à: Machine Learning Studio (classic) uniquement
Des modules par glisser-déposer similaires sont disponibles dans Concepteur Azure Machine Learning.
Vue d’ensemble du module
cet article explique comment utiliser le module noter le modèle dans Machine Learning Studio (classic) pour générer des prédictions à l’aide d’un modèle de classification ou de régression formé.
Utilisation du modèle de score
Ajoutez le module noter le modèle à votre expérience dans Studio (Classic).
Joignez un modèle entraîné et un jeu de données contenant de nouvelles données d’entrée.
Les données doivent être dans un format compatible avec le type de modèle entraîné que vous utilisez. Le schéma du jeu de données d’entrée doit correspondre aussi généralement au schéma des données utilisées pour effectuer l’apprentissage du modèle.
Exécutez l’expérience.
Résultats
Une fois que vous avez généré un jeu de résultats à l’aide du module Noter le modèle :
- Pour générer un ensemble de mesures servant à évaluer la précision du modèle (performances), vous pouvez connecter le jeu de données évalué au module Évaluer le modèle.
- Cliquez avec le bouton droit sur le module et sélectionnez visualiser pour afficher un exemple des résultats.
- Enregistrez les résultats dans un jeu de données.
Le score, ou la valeur prédite, peut être indiqué dans différents formats en fonction du modèle et de vos données d’entrée :
- Pour les modèles de classification, le module Noter le modèle génère une valeur prédite pour la classe, ainsi que la probabilité de la valeur prédite.
- Pour les modèles de régression, le module Noter le modèle génère simplement la valeur numérique prédite.
- Pour les modèles de classification d’image, le score peut être la classe d’objet dans l’image ou une valeur booléenne indiquant si une fonctionnalité particulière a été trouvée.
Publier des scores en tant que service web
Une utilisation courante du scoring consiste à retourner la sortie en tant que partie d’un service web prédictif. pour plus d’informations, consultez ce didacticiel sur la création d’un service web basé sur une expérience dans Azure ML Studio (classic) :
Exemples
Pour obtenir des exemples d’utilisation du modèle de score dans un workflow expérimental, consultez la Azure ai Gallery:
- Comparer les modèles de classification binaire
- Comparer les modèles de classification multiclasse
- Comparer plusieurs modèles de régression
Notes techniques
Modèles non pris en charge par le modèle de score
Si vous utilisez l'un des types spéciaux de modèles suivants, vous devrez peut-être utiliser l'un de ces modules de score personnalisés :
Noter un modèle de clustering : utilisez assigner des données à des clusters.
Créer des recommandations ou générer des données pour évaluer un conseiller : utiliser le score Matchbox recommandée
Conseils d’utilisation
Si les données utilisées pour le score contiennent des valeurs manquantes, aucun score n'est généré pour la ligne entière dans de nombreux cas.
Les modèles d'apprentissage automatique suivants requièrent que les données n'aient aucune valeur manquante. Lorsque vous utilisez les modèles de Machine Learning suivants, passez en revue les données avant de les transmettre au modèle de scoreet utilisez nettoyer les données manquantes pour modifier les valeurs manquantes dans les colonnes d’entrée.
Entrées attendues
| Nom | Type | Description |
|---|---|---|
| Modèle entraîné | Interface ILearner | Modèle de prédiction formé |
| Dataset | Table de données | Jeu de données de test d'entrée |
Sorties
| Nom | Type | Description |
|---|---|---|
| Jeu de données noté | Table de données | Jeu de données avec les résultats obtenus |
Exceptions
| Exception | Description |
|---|---|
| Erreur 0032 | Une exception se produit si l’argument n’est pas numérique. |
| Erreur 0033 | Une exception se produit si l’argument est une valeur infinie (Infinity). |
| Erreur 0003 | Cette exception se produit si une ou plusieurs entrées sont null ou vide. |
| Erreur 0013 | Une exception se produit si l'apprenant qui est transmis au module est un type non valide. |