Relevanciamodell
Fontos
A (klasszikus) Machine Learning Studio támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy addig térjen át az Azure Machine Learning használatára.
2021. december 1-től kezdve nem fog tudni létrehozni új (klasszikus) Machine Learning Studio-erőforrásokat. 2024. augusztus 31-ig továbbra is használhatja a meglévő (klasszikus) Machine Learning Studio-erőforrásokat.
- További információ a gépi tanulási projektek a ML Studióból a klasszikusból a Azure Machine Learning.
- További információ a Azure Machine Learning.
A (klasszikus) ML Studio dokumentációjának kivezetése folyamatban van, és a jövőben nem várható a frissítése.
Pontszám-előrejelzések betanított besorolási vagy regressziós modellhez
Kategória: Machine Learning / Pontszám
Megjegyzés
A következőkre vonatkozik: Machine Learning Studio (klasszikus)
Hasonló húzással használható modulok érhetők el Azure Machine Learning tervezőben.
A modul áttekintése
Ez a cikk azt ismerteti, hogyan használható a modell pontozása modul a Machine Learning Studio (klasszikus) használatával előrejelzések létrehozásához egy betanított besorolási vagy regressziós modell használatával.
Modell pontozása
Adja hozzá a Score Model (Modell pontozása ) modult a kísérlethez a Studióban (klasszikus).
Betanított modell és új bemeneti adatokat tartalmazó adatkészlet csatolása.
Az adatoknak kompatibilisnek kell lenniük az Ön által használt betanított modell típusával. A bemeneti adatkészlet sémája általában a modell betanítása érdekében használt adatok sémáját is meg kell egyeznie.
Futtassa a kísérletet.
Results (Eredmények)
Miután létrehozott egy pontszámkészletet a Score Model (Modell pontozása) használatával:
- A modell pontosságának (teljesítményének) értékeléséhez használt metrikák készletének létrehozásához. csatlakoztathatja a pontozási adatkészletet a Modell kiértékelése hez,
- Kattintson a jobb gombbal a modulra, és válassza a Vizualizáció lehetőséget az eredmények mintája megjelenítéséhez.
- Mentse az eredményeket egy adatkészletbe.
A pontszám vagy az előrejel jelzett érték számos különböző formátumban lehet, a modelltől és a bemeneti adatoktól függően:
- Besorolási modellek esetén a Score Model (Modell pontozása) a osztályhoz előrejeles értéket, valamint az előrejel jelzett érték valószínűségét is kijelszi.
- Regressziós modellek esetén a Score Model (Modell pontozása) csak az előrejel jelzett numerikus értéket hozza létre.
- Képbesorolási modellek esetén a pontszám lehet a képen látható objektum osztálya, vagy egy logikai érték, amely azt jelzi, hogy a rendszer talált-e egy adott jellemzőt.
Pontszámok közzététele webszolgáltatásként
A pontozás gyakori használata, hogy a kimenetet egy prediktív webszolgáltatás részeként adja vissza. További információért tekintse meg ezt az oktatóanyagot, amely bemutatja, hogyan hozhat létre webszolgáltatást egy kísérlet alapján az Azure ML Studióban:
Példák
A Modell pontozása kísérleti munkafolyamatban való használatára vonatkozó példákért lásd a Azure AI Gallery:
- Bináris besorolási modellek összehasonlítása
- Többosztályos besorolási modellek összehasonlítása
- Többszörös regressziós modellek összehasonlítása
Technikai megjegyzések
Modell pontozása által nem támogatott modellek
Ha a következő speciális modelltípusok egyikét használja, előfordulhat, hogy az alábbi egyéni pontozási modulok egyikét kell használnia:
Fürtözési modell pontozása: Az Adatok hozzárendelése fürtökhöz használatával.
Javaslatok létrehozása vagy adatok létrehozása egy ajánló értékeléséhez: A Matchbox-ajánló pontozása
Használati tippek
Ha a pontozás alatt lévő adatok hiányzó értékeket tartalmaznak, sok esetben nem jön létre pontszám a teljes sorhoz.
Az alábbi gépi tanulási modellek megkövetelik, hogy az adatok ne tartalmazzanak hiányzó értékeket. Az alábbi gépi tanulási modellek használata esetén tekintse át az adatokat, mielőtt továbbküldi őket a Score Model (Modell pontozása) pontnak, majd a Clean Missing Data (Hiányzó adatok törlése) használatával egészítse ki a bemeneti oszlopok hiányzó értékeit.
Várt bemenetek
| Név | Típus | Description |
|---|---|---|
| Betanított modell | ILearner interfész | Betanított prediktív modell |
| Adathalmaz | Adattábla | Bemeneti teszt adatkészlete |
Kimenetek
| Név | Típus | Description |
|---|---|---|
| Pontozásos adatkészlet | Adattábla | Az adatkészlet kapott pontszámokkal |
Kivételek
| Kivétel | Description |
|---|---|
| 0032-es hiba | Kivétel akkor fordul elő, ha az argumentum nem szám. |
| 0033-as hiba | Kivétel akkor fordul elő, ha az argumentum végtelen. |
| 0003-as hiba | Kivétel történik, ha egy vagy több bemenet null vagy üres. |
| 0013-as hiba | Kivétel akkor jelentkezik, ha a modulnak átadott tanuló érvénytelen típus. |