Bagikan melalui

Skor Vowpal Wabbit Versi 8 Model

  • Artikel

Penting

Dukungan untuk Studio Azure Machine Learning (klasik) akan berakhir pada 31 Agustus 2024. Sebaiknya Anda transisi ke Azure Machine Learning sebelum tanggal tersebut.

Mulai 1 Desember 2021, Anda tidak akan dapat membuat sumber daya Studio Azure Machine Learning (klasik) baru. Hingga 31 Agustus 2024, Anda dapat terus menggunakan sumber daya Pembelajaran Mesin Studio (klasik) yang ada.

ML Dokumentasi Studio (klasik) sedang berhenti dan mungkin tidak diperbarui di masa mendatang.

Mencetak data menggunakan sistem pembelajaran mesin Vowpal Wabbit dari antarmuka baris perintah

Kategori: Analiză text

Catatan

Berlaku untuk: Pembelajaran Mesin Studio (klasik) saja

Modul drag-and-drop serupa tersedia di Azure Machine Learning desainer.

Ringkasan Modul

Artikel ini menjelaskan cara menggunakan modul Model Score Vowpal Wabbit Versi 8 di Pembelajaran Mesin Studio (klasik), untuk menghasilkan skor untuk satu set data input, menggunakan model Wabbit Vowpal yang sudah ada.

Modul ini menyediakan versi terbaru dari kerangka Vowpal Wabbit, versi 8. Gunakan modul ini untuk mencetak data menggunakan model terlatih yang disimpan dalam format VW versi 8.

Jika Anda memiliki model yang sudah dibuat menggunakan versi yang lebih lama, gunakan modul ini:

Cara mengkonfigurasi Score Vowpal Wabbit Model 8

  1. Tambahkan modul Score Vowpal Wabbit Versi 8 Model ke eksperimen Anda.

  2. Tambahkan model Vowpal Wabbit terlatih dan sambungkan ke port input sebelah kiri. Anda dapat menggunakan model terlatih yang dibuat dalam eksperimen yang sama, atau menemukan model yang disimpan di panel navigasi kiri Trained Models studio (klasik). Namun, model harus tersedia di Pembelajaran Mesin Studio (klasik); Anda tidak dapat langsung memuat model dari penyimpanan Azure.

    Catatan

    Hanya model Vowpal Wabbit 8 yang didukung; Anda tidak dapat menghubungkan model tersimpan yang dilatih dengan menggunakan algoritme lain, dan Anda tidak dapat menggunakan model yang dilatih menggunakan versi sebelumnya.

  3. Dalam kotak teks argumen VW, ketik argumen baris perintah untuk Vowpal Wabbit yang dapat dieksekusi.

    Untuk informasi tentang argumen Vowpal Wabbit mana yang didukung dan tidak didukung dalam Pembelajaran Mesin, lihat bagian Catatan Teknis.

  4. Klik Tentukan tipe data, dan pilih salah satu tipe data yang didukung dari daftar.

    Penilaian membutuhkan satu kolom data yang kompatibel dengan VW.

    Jika Anda memiliki file yang sudah ada yang dibuat dalam format SVMLight atau VW, Anda dapat memuatnya ke ruang kerja Azure ML sebagai himpunan data baru dalam salah satu format ini: CSV generik tanpa header, TSV tanpa header.

    Opsi VW mengharuskan label hadir, tetapi tidak digunakan dalam penilaian kecuali untuk perbandingan.

  5. Tambahkan modul Impor Data dan hubungkan ke port input kanan Score Vowpal Wabbit Versi 8. Konfigurasikan Impor Data untuk mengakses data input.

    Data input untuk penilaian harus telah disiapkan sebelumnya dalam salah satu format yang didukung dan disimpan dalam penyimpanan blob Azure.

  6. Pilih opsi, Sertakan kolom tambahan yang berisi label, jika Anda ingin mengeluarkan label beserta skor.

    Biasanya, saat menangani data teks, Vowpal Wabbit tidak memerlukan label dan hanya akan mengembalikan skor untuk setiap baris data.

  7. Pilih opsi, Sertakan kolom tambahan yang berisi skor mentah, jika Anda ingin mengeluarkan skor mentah bersama dengan hasilnya.

    Tip

    Opsi ini baru untuk Vowpal Wabbit Versi 8.

  8. Pilih opsi, Gunakan hasil yang di-cache, jika Anda ingin menggunakan kembali hasil dari run sebelumnya, dengan asumsi kondisi berikut terpenuhi:

    • Cache yang valid ada dari run sebelumnya.

    • Pengaturan data input dan parameter modul tidak berubah sejak sebelumnya.

    Jika tidak, proses impor diulang setiap kali percobaan berjalan.

  9. Jalankan eksperimen.

Hasil

Setelah pelatihan selesai:

Output menunjukkan skor prediksi yang dinormalisasi dari 0 hingga 1.

Contoh

Untuk contoh bagaimana Vowpal Wabbit dapat digunakan dalam pembelajaran mesin, lihat Galeri AI Azure:

  • Sampel Vowpal Wabbit

    Eksperimen ini menunjukkan persiapan data, pelatihan, dan operasionalisasi model VW.

Video berikut menyediakan panduan proses pelatihan dan penilaian untuk Vowpal Wabbit:

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

Catatan teknis

Bagian ini berisi detail implementasi, tips, dan jawaban terkait pertanyaan yang sering diajukan.

Parameter

Vowpal Wabbit memiliki banyak opsi baris perintah untuk memilih dan menyetel algoritma. Pembahasan lengkap terkait opsi ini tidak dimungkinkan di sini; sebaiknya lihat halaman wiki Vowpal Wabbit.

Parameter berikut tidak didukung di Pembelajaran Mesin Studio (klasik).

  • Opsi masukan/keluaran yang ditentukan dalam https://github.com/JohnLangford/vowpal_wabbit/wiki/Command-line-arguments

    Properti ini sudah dikonfigurasikan secara otomatis oleh modul.

  • Selain itu, opsi apa pun yang menghasilkan beberapa keluaran atau mengambil beberapa masukan tidak diizinkan. Ini termasuk --cbt , --lda , dan --wap .

  • Hanya algoritme pembelajaran yang diawasi yang didukung. Ini melarang opsi-opsi ini: –active, , --rank, --search dll.

Semua argumen selain yang dijelaskan di atas diizinkan.

Input yang diharapkan

Nama Jenis Deskripsi
Model terlatih Antarmuka ILearner Pembelajar terlatih
Himpunan Data Tabel Data Himpunan data yang akan dinilai

Parameter Modul

Nama Rentang Jenis Default Deskripsi
Tentukan tipe data VW

SVMLight		 DataType VW Tunjukkan apakah jenis file adalah SVMLight atau Vowpal Wabbit
Argumen VW apa pun String tidak ada Ketik argumen Vowpal Wabbit. Jangan sertakan -i atau -p, atau -t
Sertakan kolom tambahan yang berisi label True/False Boolean salah Tentukan apakah file zip harus menyertakan label dengan prediksi
Sertakan kolom tambahan yang berisi skor mentah True/False Boolean salah Tentukan apakah hasilnya harus menyertakan kolom tambahan yang berisi skor mentah (sesuai dengan --raw_predictions)

Output

Nama Jenis Deskripsi
Kumpulan data hasil Tabel Data Himpunan data dengan hasil prediksi

Pengecualian

Pengecualian Deskripsi
Kesalahan 0001 Pengecualian terjadi jika satu atau beberapa kolom himpunan data tertentu tidak dapat ditemukan.
Kesalahan 0003 Pengecualian terjadi jika satu atau beberapa input null atau kosong.
Kesalahan 0004 Pengecualian terjadi jika parameter kurang dari atau sama dengan nilai tertentu.
Kesalahan 0017 Pengecualian terjadi jika satu atau beberapa kolom tertentu memiliki jenis yang tidak didukung oleh modul saat ini.

Untuk daftar kesalahan khusus untuk modul Studio (klasik), lihat Pembelajaran Mesin Kode kesalahan.

Untuk daftar pengecualian API, lihat Pembelajaran Mesin Kode Kesalahan REST API.

Lihat juga

Text Analytics
Hashing Fitur
Pengenalan Entitas Bernama
Skor Vowpal Wabbit 7-4 Model
Latih Vowpal Wabbit 7-4 Model
Kereta Vowpal Wabbit 8 Model
Daftar Modul A-Z