Vowpal Wabbit 7-10 modell pontozása

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.

Adatok pontba való beszúrása a Vowpal Wabbit gépi tanulási rendszerrel a parancssori felületről

Kategória: Text Analytics

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 Vowpal Wabbit 7-10-es verziójú modell pontozása modul a Machine Learning Studióban (klasszikus) bemeneti adatok pontszámainak létrehozásához egy meglévő Vowpal Wabbit modell használatával.

Ez a modul a Vowpal Wabbit keretrendszer 7-10-es verzióját használja. Ezzel a modullal pontozást végezhet egy 7–10 formátumban mentett betanított modellel.

Ha már létrehozott modelleket egy korábbi verzióval, használja az alábbi modulokat:

• Vowpal Wabbit 7-4 modell betanítás
• Vowpal Wabbit 7-4 modell pontozása

A Vowpal Wabbit legújabb verziójához használja a következőt:

• Vowpal Wabbit 8 modell betanítás
• Vowpal Wabbit 8 modell pontozása

A Vowpal Wabbit 7-10-es verziójú modell pontozásának konfigurálása

1. Adja hozzá a kísérlethez a Vowpal Wabbit 7-10-es verziójú modell pontozása modult.

2. Adjon hozzá egy betanított Vowpal Wabbit modellt, és csatlakoztassa a bal oldali bemeneti porthoz. Használhat egy ugyanabban a kísérletben létrehozott betanított modellt, vagy megkereshet egy mentett modellt a Studio (klasszikus) Betanított modellek csoportjában a bal oldali navigációs panelen.

   Korlátozások

   A modellnek elérhetőnek kell lennie a Machine Learning Studióban (klasszikus); nem lehet közvetlenül betölteni a modellt az Azure Storage-ból.

   Csak a Vowpal Wabbit 7-10 modellek támogatottak; nem csatlakoztathat más algoritmusokkal betanított mentett modelleket, és nem használhat korábbi vagy újabb verziók használatával betanított modelleket.

3. A VW-argumentumok szövegmezőbe írja be a Vowpal Wabbit végrehajtható fájl érvényes parancssori argumentumkészletét.
   Arról, hogy mely Vowpal Wabbit argumentumok támogatottak és melyek nem támogatottak a Machine Learning, tekintse meg a Műszaki megjegyzések szakaszt.

4. Kattintson az Adattípus megadása elemre, és válassza ki a támogatott adattípusok valamelyikét a listából.

   A pontozáshoz egyetlen oszlopra van szükség a VW-kompatibilis adatokból.

   Ha van egy SVMLight vagy VW formátumban létrehozott meglévő fájlja, betöltheti azt az Azure ML-munkaterületre új adatkészletként a következő formátumok egyikében: Általános CSV fejléc nélkül, TSV fejléc nélkül.

   A VW kapcsoló megköveteli, hogy a címke jelen legyen, de a pontozáshoz csak összehasonlításhoz használja.

5. Adja hozzá az Adatok importálása modult, és csatlakoztassa a Vowpal Wabbit 7-10-es verziójának jobb oldali bemeneti portjához. Konfigurálja az Adatok importálása adatokat a bemeneti adatok eléréséhez.

   A pontozáshoz használt bemeneti adatokat előre elő kell készíteni az egyik támogatott formátumban, és az Azure Blob Storage-ban kell tárolni.

6. Válassza az Include an extra column contain labels (További oszlop hozzáadása címkékkel) lehetőséget, ha a címkéket a pontszámokkal együtt szeretné kimenetbe foglalni.

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

7. Válassza a Gyorsítótárazott eredmények használata lehetőséget, ha egy korábbi futtatás eredményeit szeretné újra használni, feltéve, hogy teljesülnek a következő feltételek:

   • Érvényes gyorsítótár létezik egy korábbi futtatásból.

   • A modul bemeneti adatai és paraméterbeállítása nem változott az előző futtatás óta.

   Ellenkező esetben az importálási folyamat a kísérlet minden futtatásakor megismétlődik.

8. Futtassa a kísérletet.

Results (Eredmények)

A betanítás befejezése után:

• Az eredmények megjelenítéséhez kattintson a jobb gombbal a Score Vowpal Wabbit Version 7-10 Model (7–10-es modell) modul kimenetére.

A kimenet egy 0 és 1 között normalizált előrejelzési pontszámot jelez.

Példák

A Vowpal Wabbit gépi tanulásban való használatára vonatkozó példákért lásd a Azure AI Gallery:

• Vowpal Wabbit-minta

  Ez a kísérlet egy VW-modell adatelőkészítését, betanítása és működőképesítését mutatja be.

Az alábbi videó a Vowpal Wabbit betanítási és pontozási folyamatának bemutatóját tartalmazza:

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

Technikai megjegyzések

Ez a szakasz az implementáció részleteit, a tippeket és a gyakori kérdésekre adott válaszokat tartalmazza.

Paraméterek

A Vowpal Wabbit számos parancssori lehetőséget kínál az algoritmusok kiválasztására és finomhangolására. Ezeket a lehetőségeket itt nem lehet teljes körűen megvitatni; Javasoljuk, hogy tekintse meg a Vowpal Wabbit wikioldalt.

Az alábbi paraméterek nem támogatottak a Machine Learning Studio (klasszikus) eszközben.

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

  Ezeket a tulajdonságokat a modul már automatikusan konfigurálja.

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

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

A fent leírtakon kívül minden argumentum engedélyezett.

Várt bemenetek

Név	Típus	Description
Betanított modell	ILearner interfész	Betanított tanuló
Adathalmaz	Adattábla	Pontozásra vonatkozó adatkészlet

Modulparaméterek

Name	Tartomány	Típus	Alapértelmezett	Description
VW argumentumok	Bármelyik	Sztring	Nincs	Írja be a Vowpal Wabbit argumentumokat. A következő argumentumok nem támogatottak: - -i - -p vagy - -t
Címkéket tartalmazó további oszlop hozzáadása	Igaz/Hamis	Logikai	hamis	Adja meg, hogy a tömörített fájl tartalmaz-e címkéket az előrejelzésekhez
Adattípus megadása	VW SVMLight	DataType	VW	Annak jelzése, hogy a fájlformátum SVMLight vagy Vowpal Wabbit

Kimenetek

Név	Típus	Description
Eredményadatkészlet	Adattábla	Adatkészlet az előrejelzési eredményekkel

Kivételek

Kivétel	Description
0001-es hiba	Kivétel történik, ha az adatkészlet egy vagy több megadott oszlopa nem található.
0003-as hiba	Kivétel történik, ha egy vagy több bemenet null vagy üres.
0004-es hiba	Kivétel akkor fordul elő, ha a paraméter kisebb vagy egyenlő egy adott értékkel.
0017-es hiba	Kivétel akkor fordul elő, ha egy vagy több megadott oszlop típusa az aktuális modul által nem támogatott.

A Studio (klasszikus) moduljaival kapcsolatos hibák listájáért tekintse meg a Machine Learning hibakódokat.

Az API-kivételek listájáért tekintse meg a Machine Learning REST API hibakódokat.

Lásd még

Text Analytics
Funkciókivonatolás
Megnevezett entitások felismerése
Vowpal Wabbit 7-4 modell pontozása
Vowpal Wabbit 7-4 modell betanítás
Vowpal Wabbit 7-10 modell betanítás
A–Z modullista