Megosztás a következőn keresztül:

Vowpal Wabbit modell pontozása

  • Cikk

Ez a cikk azt ismerteti, hogyan hozhat létre pontszámokat egy meglévő betanított Vowpal Wabbit-modell használatával az Azure Machine Learning Designer Vowpal Wabbit Model összetevőjével egy bemeneti adatkészlet pontszámainak létrehozásához.

Ez az összetevő a Vowpal Wabbit keretrendszer legújabb, 8.8.1-es verzióját biztosítja. Ezzel az összetevővel pontozási adatokat használhat a VW 8-es verziójában mentett betanított modell használatával.

Vowpal Wabbit-modell pontozásának konfigurálása

  1. Adja hozzá a Vowpal Wabbit Modell pontozása összetevőt a kísérlethez.

  2. Adjon hozzá egy betanított Vowpal Wabbit-modellt, és csatlakoztassa a bal oldali bemeneti porthoz. Használhatja az ugyanabban a kísérletben létrehozott betanított modellt, vagy megkeresheti a mentett modellt a tervező bal oldali navigációs paneljének Adathalmazok kategóriájában. A modellnek azonban elérhetőnek kell lennie az Azure Machine Learning Designerben.

    Megjegyzés

    Csak a Vowpal Wabbit 8.8.1-modellek támogatottak; nem csatlakoztathat más algoritmusokkal betanított mentett modelleket.

  3. Adja hozzá a tesztadatkészletet, és csatlakoztassa a jobb oldali bemeneti porthoz. Ha a tesztadatkészlet egy könyvtár, amely tartalmazza a tesztadatfájlt, adja meg a tesztadatfájl nevét a tesztadat-fájl nevével. Ha a tesztadatkészlet egyetlen fájl, hagyja üresen a tesztadat-fájl nevét .

  4. A VW-argumentumok szövegmezőbe írjon be érvényes parancssori argumentumokat a Vowpal Wabbit végrehajtható fájlba.

    Az Azure Machine Learningben támogatott és nem támogatott Vowpal Wabbit-argumentumokról a Technical Notes (Technikai megjegyzések ) szakaszban talál további információt.

  5. A tesztadatfájl neve: Írja be a bemeneti adatokat tartalmazó fájl nevét. Ezt az argumentumot csak akkor használja a rendszer, ha a tesztadatkészlet egy könyvtár.

  6. Fájltípus megadása: Adja meg, hogy a betanítási adatok milyen formátumot használnak. A Vowpal Wabbit a következő két bemeneti fájlformátumot támogatja:

    • A VW a Vowpal Wabbit által használt belső formátumot jelöli. A részletekért tekintse meg a Vowpal Wabbit wikioldalt .
    • Az SVMLight más gépi tanulási eszközök által használt formátum.

  7. Válassza a Címkéket tartalmazó további oszlop felvétele lehetőséget, ha a címkéket a pontszámokkal együtt szeretné megjeleníteni.

    Szöveges adatok kezelésekor a Vowpal Wabbit általában nem igényel címkéket, és csak az egyes adatsorok pontszámait adja vissza.

  8. Válassza a Nyers pontszámokat tartalmazó további oszlop felvétele lehetőséget, ha a nyers pontszámokat az eredményekkel együtt szeretné megjeleníteni.

  9. Küldje el a folyamatot.

Results (Eredmények)

A betanítás befejezése után:

  • Az eredmények megjelenítéséhez kattintson a jobb gombbal a Score Vowpal Wabbit Model összetevő kimenetére. A kimenet egy 0 és 1 közötti előrejelzési pontszámot jelez.

  • Az eredmények kiértékeléséhez a kimeneti adatkészletnek adott pontszámoszlopneveket kell tartalmaznia, amelyek megfelelnek a Modell kiértékelése összetevő követelményeinek.

    • Regressziós feladat esetén a kiértékelendő adatkészletnek egy oszloppal kell rendelkeznie, amelynek neve Regression Scored Labels, amely pontozott címkéket jelöl.
    • Bináris besorolási feladat esetén az kiértékelendő adathalmaznak két oszloppal kell rendelkeznie, Binary Class Scored LabelsBinary Class Scored Probabilitiesamelyek pontozott címkéket és valószínűségeket jelölnek.
    • Többbesorolási feladat esetén a kiértékelendő adatkészletnek egy oszloppal kell rendelkeznie, amelynek neve Multi Class Scored Labels, amely pontozott címkéket jelöl.

    Vegye figyelembe, hogy a Score Vowpal Wabbit Model összetevő eredményei nem értékelhetők közvetlenül. Az értékelés előtt az adathalmazt a fenti követelményeknek megfelelően módosítani kell.

Technikai megjegyzések

Ez a szakasz a megvalósítás részleteit, tippeket és válaszokat tartalmaz a gyakori kérdésekre.

Paraméterek

A Vowpal Wabbit számos parancssori lehetőséget kínál az algoritmusok kiválasztására és finomhangolására. Ezekről a lehetőségekről itt nem lehet teljes körűen tárgyalni; javasoljuk, hogy tekintse meg a Vowpal Wabbit wikioldalt.

A következő paraméterek nem támogatottak az Azure Machine Learning Studióban (klasszikus).

  • A következőben megadott bemeneti/kimeneti beállítások: https://github.com/JohnLangford/vowpal_wabbit/wiki/Command-line-arguments

    Ezeket a tulajdonságokat az összetevő már automatikusan konfigurálja.

  • Ezenkívül minden olyan beállítás, amely több kimenetet hoz létre vagy több bemenetet vesz igénybe, nem engedélyezett. Ezek közé tartozik a --cbt, --ldaa és --wapa .

  • Csak a felügyelt tanulási algoritmusok támogatottak. Ez nem engedélyezi a következő lehetőségeket: –active, --rank, --search stb.

A fentieken kívül minden argumentum engedélyezett.

Következő lépések

Tekintse meg az Azure Machine Learning számára elérhető összetevőket .