Alokasi Latent Dirichlet
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.
- Lihat informasi tentang memindahkan proyek pembelajaran mesin dari ML Studio (klasik) ke Azure Machine Learning.
- Mer informasjon tentang Azure Machine Learning.
ML Dokumentasi Studio (klasik) sedang berhenti dan mungkin tidak diperbarui di masa mendatang.
Gunakan perpustakaan Vowpal Wabbit untuk melakukan VW LDA
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 Alokasi Dirichlet Laten di Pembelajaran Mesin Studio (klasik), untuk mengelompokkan teks yang tidak diklasifikasikan ke dalam sejumlah kategori. Latent Dirichlet Allocation (LDA) sering digunakan dalam pemrosesan bahasa alami (NLP) untuk menemukan teks yang serupa. Istilah umum lainnya adalah pemodelan topik.
Modul ini mengambil kolom teks, dan menghasilkan output ini:
Teks sumber, bersama dengan skor untuk setiap kategori
Matriks fitur, yang berisi istilah dan koefisien yang diekstraksi untuk setiap kategori
Perubahan, yang dapat Anda simpan dan terapkan kembali ke teks baru yang digunakan sebagai input
Karena modul ini menggunakan perpustakaan Vowpal Wabbit, sangat cepat. Untuk informasi lebih lanjut tentang Vowpal Wabbit, lihat repositori GitHub yang mencakup tutorial dan penjelasan tentang algoritma.
Lebih lanjut tentang Alokasi Dirichlet Laten (LDA)
Secara umum, LDA bukanlah metode untuk klasifikasi per se, tetapi menggunakan pendekatan generatif. Apa artinya ini adalah Bahwa Anda tidak perlu memberikan label kelas yang diketahui dan kemudian menyimpulkan pola. Sebaliknya, algoritma menghasilkan model probabilistik yang digunakan untuk mengidentifikasi kelompok topik. Anda dapat menggunakan model probabilistik untuk mengklasifikasikan kasus pelatihan yang ada, atau kasus baru yang Anda berikan ke model sebagai input.
Model generatif dapat lebih disukai karena menghindari membuat asumsi yang kuat tentang hubungan antara teks dan kategori, dan hanya menggunakan distribusi kata-kata untuk model topik secara matematis.
Teori ini dibahas dalam makalah ini, tersedia sebagai unduhan PDF: Alokasi Dirichlet Laten: Blei, Ng, dan Jordan
Implementasi dalam modul ini didasarkan pada pustaka Vowpal Wabbit (versi 8) untuk LDA.
Untuk informasi lebih lanjut, lihat bagian Catatan teknis.
Cara mengonfigurasi Alokasi Dirichlet Laten
Modul ini memerlukan himpunan data yang berisi kolom teks, baik mentah atau pra-proses.
Tambahkan modul Alokasi Dirichlet Laten ke eksperimen Anda.
Sebagai input untuk modul, sediakan himpunan data yang berisi satu atau beberapa kolom teks.
Untuk kolom Target, pilih satu atau beberapa kolom yang berisi teks untuk dianalisis.
Anda dapat memilih beberapa kolom tetapi harus dari tipe data string.
Secara umum, karena LDA membuat matriks fitur besar dari teks, Anda biasanya akan menganalisis satu kolom teks.
Untuk Jumlah topik yang akan dimodelkan, ketik bilangan bulat antara 1 dan 1000 yang menunjukkan berapa banyak kategori atau topik yang ingin Anda peroleh dari teks input.
Secara default, 5 topik dibuat.
Untuk N-gram, tentukan panjang maksimum N-gram yang dihasilkan selama hashing.
Defaultnya adalah 2, yang berarti bahwa bigram dan unigram dihasilkan.
Pilih opsi Normalisasi untuk mengonversi nilai output menjadi probabilitas. Oleh karena itu, alih-alih mewakili nilai yang diubah sebagai bilangan bulat, nilai dalam himpunan data output dan fitur akan diubah sebagai berikut:
Nilai dalam himpunan data akan direpresentasikan sebagai peluang di mana
P(topic|document).Nilai dalam matriks topik fitur akan direpresentasikan sebagai peluang di mana
P(word|topic).
Pilih opsi, Tampilkan semua opsi, lalu atur ke TRUE jika Anda ingin melihat lalu atur parameter lanjutan tambahan.
Parameter ini khusus untuk implementasi Vowpal Wabbit LDA. Ada beberapa tutorial bagus tentang LDA di Vowpal Wabbit online, serta Wiki Wabbit Vowpal resmi.
Lihat contoh ini untuk contoh di versi 8 dan penggunaan VW di Azure ML.
Parameter Rho. Berikan peluang sebelumnya untuk ketersebaran distribusi topik. Sesuai dengan parameter VW
lda_rho. Anda akan menggunakan nilai 1 jika Anda berharap bahwa distribusi kata-kata datar; Yaitu, semua kata dianggap equiprobable. Jika Anda berpikir sebagian besar kata jarang muncul, Anda mungkin mengaturnya ke nilai yang jauh lebih rendah.Parameter alfa. Tentukan peluang sebelumnya untuk ketersebaran bobot topik per dokumen. Sesuai dengan parameter VW
lda_alpha.Estimasi jumlah dokumen. Ketik angka yang mewakili perkiraan terbaik Anda tentang jumlah dokumen (baris) yang akan diproses. Ini memungkinkan modul mengalokasikan tabel hash dengan ukuran yang cukup. Sesuai dengan parameter di
lda_DVowpal Wabbit.Ukuran batch. Ketik angka yang menunjukkan berapa banyak baris yang akan disertakan di setiap batch teks yang dikirim ke Vowpal Wabbit. Sesuai dengan parameter di
batch_szVowpal Wabbit.Nilai awal perulangan yang digunakan dalam jadwal pembaruan pembelajaran. Tentukan nilai awal untuk tingkat pembelajaran. Sesuai dengan parameter di
initial_tVowpal Wabbit.Daya diterapkan ke perulangan selama pembaruan. Tunjukkan tingkat daya yang diterapkan pada jumlah iterasi selama pembaruan online. Sesuai dengan parameter di
power_tVowpal Wabbit.Jumlah lintasan data. Tentukan berapa kali algoritma akan berputar di atas data. Sesuai dengan parameter di
epoch_sizeVowpal Wabbit.
Pilih opsi, Buat kamus ngram atau Buat kamus ngram sebelum LDA, jika Anda ingin membuat daftar n-gram dalam pass awal, sebelum mengklasifikasikan teks.
Jika Anda membuat kamus awal sebelumnya, Anda nantinya dapat menggunakan kamus saat meninjau model. Mampu memetakan hasil ke teks daripada indeks numerik umumnya lebih mudah untuk interpretasi. Namun, menyimpan kamus akan memakan waktu lebih lama dan menggunakan penyimpanan tambahan.
Untuk Ukuran maksimum kamus ngram, ketik jumlah total baris yang dapat dibuat dalam kamus n-gram.
Opsi ini berguna untuk mengontrol ukuran kamus. Namun, jika jumlah ngram dalam input melebihi ukuran ini, tabrakan dapat terjadi.
Jalankan eksperimen. Modul LDA menggunakan teorema Bayes untuk menentukan topik apa yang mungkin terkait dengan kata-kata individual. Kata-kata tidak secara eksklusif terkait dengan topik atau grup apa pun; Sebaliknya, setiap n-gram memiliki probabilitas belajar dikaitkan dengan salah satu kelas yang ditemukan.
Hasil
Modul ini memiliki dua output:
Himpunan data yang diubah: Berisi teks input, dan sejumlah kategori yang ditemukan, bersama dengan skor untuk setiap contoh teks untuk setiap kategori.
Matriks topik fitur: Kolom paling kiri berisi fitur teks yang diekstraksi, dan ada kolom untuk setiap kategori yang berisi skor untuk fitur tersebut dalam kategori itu.
Untuk detailnya, lihat Contoh hasil LDA.
Perubahan LDA
Modul ini juga menghasilkan transformasi yang menerapkan LDA ke dataset, sebagai antarmuka ITransform.
Anda dapat menyimpan transformasi ini dan menggunakannya kembali untuk himpunan data lain. Ini mungkin berguna jika Anda telah berlatih pada korpus besar dan ingin menggunakan kembali koefisien atau kategori.
Menyempurnakan model atau hasil LDA
Biasanya Anda tidak dapat membuat model LDA tunggal yang akan memenuhi semua kebutuhan, dan bahkan model yang dirancang untuk satu tugas mungkin memerlukan banyak iterasi untuk meningkatkan akurasi. Sebaiknya coba semua metode ini untuk meningkatkan model Anda:
- Mengubah parameter model
- Menggunakan visualisasi untuk memahami hasilnya
- Mendapatkan umpan balik dari para ahli materi pelajaran untuk memastikan apakah topik yang dihasilkan berguna.
Tindakan kualitatif juga dapat berguna untuk menilai hasilnya. Untuk mengevaluasi hasil pemodelan topik, pertimbangkan:
- Akurasi - Apakah item serupa benar-benar serupa?
- Keragaman - Dapatkah model membedakan antara barang-barang serupa bila diperlukan untuk masalah bisnis?
- Skalabilitas - Apakah itu bekerja pada berbagai kategori teks atau hanya pada domain target yang sempit?
Keakuratan model berdasarkan LDA sering dapat ditingkatkan dengan menggunakan pemrosesan bahasa alami untuk membersihkan, meringkas dan menyederhanakan, atau mengkategorikan teks. Misalnya, teknik berikut, semua didukung dalam Pembelajaran Mesin, dapat meningkatkan akurasi klasifikasi:
Menghentikan penghapusan kata
Normalisasi kasus
Lemmatisasi atau stemming
Pengenalan entitas karakter
Untuk informasi selengkapnya, lihat Teks Praproses dan Pengenalan Entitas Bernama.
Di Studio (klasik), Anda juga dapat menggunakan pustaka R atau Python untuk pemrosesan teks: Jalankan Skrip R, Jalankan Skrip Python
Contoh
Untuk contoh analisis teks, lihat eksperimen ini di Galeri AI Azure:
- Jalankan Python Script: Menggunakan pemrosesan bahasa alami di Python untuk membersihkan dan mengubah teks.
Untuk detail dan contoh berdasarkan teks ulasan pelanggan, lihat Memahami Hasil LDA.
Contoh hasil LDA
Untuk mengilustrasikan cara kerja modul Alokasi Dirichlet Laten, contoh berikut menerapkan LDA dengan pengaturan default ke himpunan data Book Review yang disediakan di Pembelajaran Mesin Studio (klasik).
Himpunan data sumber
Himpunan data berisi kolom peringkat, serta teks komentar lengkap yang disediakan oleh pengguna.
Tabel ini hanya menampilkan beberapa contoh perwakilan.
| teks |
|---|
| Buku ini memiliki poin yang bagus. Jika ada, itu membantu Anda memasukkan ke dalam kata-kata apa yang Anda inginkan dari seorang supervisor. |
| Saya akui, saya belum menyelesaikan buku ini. Seorang teman merekomendasikannya kepada saya karena saya mengalami masalah dengan insomnia ... |
| Ditulis dengan buruk saya mencoba membaca buku ini tetapi menemukannya begitu turgid dan ditulis dengan buruk sehingga saya meletakkannya dengan frustrasi. ... |
| Sejak meminjam salinan bertelinga anjing dari teman-teman yang melewatinya sekitar beberapa tahun yang lalu, saya belum bisa mendapatkan buku ini yang menjadi favorit kultus berumur pendek. |
| Plot buku ini menarik, dan itu bisa menjadi buku yang bagus. Sayangnya, ternyata tidak. Masalah utama bagi saya adalah bahwa ... |
Selama pemrosesan, modul Alokasi Dirichlet Laten membersihkan dan menganalisis teks, berdasarkan parameter yang Anda tentukan. Misalnya, ia dapat secara otomatis tokenize teks dan menghapus tanda baca, dan pada saat yang sama menemukan fitur teks untuk setiap topik.
Himpunan data yang diubah LDA
Tabel berikut berisi himpunan data yang diubah , berdasarkan sampel Book Review. Output berisi teks input, dan sejumlah kategori yang ditemukan, bersama dengan skor untuk setiap kategori.
| Nama film | Topik 1 | Topik 2 | Topik 3 | Topik 4 | Topik 5 |
|---|---|---|---|---|---|
| Buku ini memiliki poin-poin yang baik | 0.001652892 | 0.001652892 | 0.001652892 | 0.001652892 | 0.9933884 |
| Teman merekomendasikannya kepada saya | 0.00198019 | 0.001980198 | 0.9920791 | 0.001980198 | 0.001980198 |
| Mencoba membaca buku ini | 0.002469135 | 0.002469135 | 0.9901233 | 0.002469135 | 0.002469135 |
| Meminjamnya dari teman | 0.9901232 | 0.002469135 | 0.002469135 | 0.002469135 | 0.002469135 |
| Plot buku ini menarik | 0.001652892 | 0.001652892 | 0.9933884 | 0.001652892 | 0.001652892 |
Dalam contoh ini, kami menggunakan nilai default 5 untuk Jumlah topik untuk dimodelkan. Oleh karena itu, modul LDA membuat lima kategori, yang dapat kita asumsikan akan sesuai kira-kira dengan sistem peringkat lima skala asli.
Modul ini juga menetapkan skor untuk setiap entri untuk masing-masing dari lima kategori yang mewakili topik. Skor menunjukkan probabilitas bahwa baris harus ditetapkan ke kategori tertentu.
Matriks topik fitur
Output kedua dari modul ini adalah matriks topik fitur. Ini adalah himpunan data tabular yang berisi teks featurized, , di kolom Fitur, bersama dengan skor untuk masing-masing kategori, di kolom yang tersisa Topik 1, Topik 2, ... Topik N. Skor mewakili koefisien.
| Fitur | Topik 1 | Topik 2 | Topik 3 | Topik 4 | Topik 5 |
|---|---|---|---|---|---|
| menarik | 0.0240282071983144 | 0.0354678954779375 | 0.363051866576914 | 0.0276637824315893 | 0.660663576149515 |
| sebelumnya | 0.0171478729532397 | 0.0823969031108669 | 0.00452966877950789 | 0.0408714510319233 | 0.025077322689733 |
| dari | 0.0148224220349217 | 0.0505086981492109 | 0.00434423322461094 | 0.0273389126293824 | 0.0171484355106826 |
| komplot | 0.0227415889348212 | 0.0408709456489325 | 0.182791041345191 | 0.086937090812819 | 1 0.0169680136708971 |
| Membaca | 0.0227415889348212 | 0.0408709456489325 | 0.182791041345191 | 0.0869370908128191 | 0.0169680136708971 |
| Mencoba | 0.0269724979147211 | 0.039026263551767 | 0.00443749106785087 | 0.0628829816088284 | 0.0235340728818033 |
| me | 0.0262656945140134 | 0.0366941302751921 | 0.00656837975179138 | 0.0329214576160066 | 0.0214121851106808 |
| ke | 0.0141026103224462 | 0.043359976919215 | 0.00388640531859447 | 0.0305925953440055 | 0.0228993750526364 |
| it | 0.0264490547105951 | 0.0356674440311847 | 0.00541759897864314 | 0.0314539386250293 | 0.0140606468587681 |
| teman | 0.0135971322960941 | 0.0346118171467234 | 0.00434999437350706 | 0.0666507321888536 | 0.018156863779311 |
| points | 0.0227415889348212 | 0.0396233855719081 | 0.00404663601474112 | 0.0381156510019025 | 0.0337788009496797 |
| Bagus | 0.651813073836783 | 0.0598646397444108 | 0.00446809691985617 | 0.0358975694646062 | 0.0138989124411206 |
| dia | 0.0185385588647078 | 0.144253986783184 | 0.00408876416453866 | 0.0583049240441475 | 0.015442805566858 |
| dari | 0.0171416780245647 | 0.0559361180418586 | 0.0100633904544953 | 0.087093930106723 | 0.0182573833869842 |
| Meminjam | 0.0171416780245647 | 0.0559361180418586 | 0.0100633904544953 | 0.087093930106723 | 0.0182573833869842 |
| Memiliki | 0.0171416780245647 | 0.0559361180418586 | 0.0100633904544953 | 0.087093930106723 | 0.0182573833869842 |
| buku | 0.0143157047920681 | 0.069145948535052 | 0.184036340170983 | 0.0548757337823903 | 0.0156837976985903 |
| disarankan | 0.0161486848419689 | 0.0399143326399534 | 0.00550113530229642 | 0.028637149142764 | 0.0147675139039372 |
| ini | 0.0161486848419689 | 0.0399143326399534 | 0.00550113530229642 | 0.028637149142764 | 0.0147675139039372 |
Catatan teknis
Bagian ini berisi detail implementasi, tips, dan jawaban atas pertanyaan yang sering diajukan.
Detail implementasi
Secara default, distribusi output untuk dataset yang diubah dan matriks topik fitur dinormalisasi sebagai probabilitas.
Himpunan data yang diubah dinormalisasi sebagai peluang kondisional dari topik yang diberikan dokumen. Dalam kasus ini, jumlah setiap baris sama dengan 1.
Matriks topik fitur dinormalisasi sebagai peluang kondisional dari kata-kata yang diberikan topik. Dalam kasus ini, jumlah setiap kolom sama dengan 1.
Tip
Kadang-kadang modul mungkin mengembalikan topik kosong, yang paling sering disebabkan oleh inisialisasi pseudo-acak algoritma. Jika ini terjadi, Anda dapat mencoba mengubah parameter terkait, seperti ukuran maksimum kamus N-gram atau jumlah bit yang digunakan untuk hashing fitur.
LDA dan pemodelan topik
Latent Dirichlet Allocation (LDA) sering digunakan untuk pemodelan topik berbasis konten, yang pada dasarnya berarti mempelajari kategori dari teks yang tidak diklasifikasikan. Dalam pemodelan topik berbasis konten, topiknya adalah distribusi melalui kata-kata.
Misalnya, asumsikan bahwa Anda telah memberikan korpus ulasan pelanggan yang mencakup banyak, banyak produk. Teks ulasan yang telah dikirimkan oleh banyak pelanggan dari waktu ke waktu akan berisi banyak istilah, beberapa di antaranya digunakan dalam berbagai topik.
Topik yang diidentifikasi oleh proses LDA mungkin mewakili ulasan untuk Produk A individu, atau mungkin mewakili sekelompok ulasan produk. Bagi LDA, topik itu sendiri hanyalah distribusi peluang dari waktu ke waktu untuk kumpulan kata-kata.
Istilah jarang eksklusif untuk satu produk, tetapi dapat merujuk ke produk lain, atau istilah umum yang berlaku untuk segala sesuatu ("hebat", "mengerikan"). Istilah lain mungkin merupakan kata tidak penting. Namun, penting untuk dipahami bahwa metode LDA tidak dimaksudkan untuk menangkap semua kata di alam semesta, atau untuk memahami bagaimana kata-kata terkait, selain dari probabilitas kejadian bersama. Itu hanya dapat mengelompokkan kata-kata yang digunakan dalam domain target.
Setelah istilah indeks dihitung, baris teks individu dibandingkan menggunakan ukuran kesamaan berbasis jarak, untuk menentukan apakah dua potongan teks saling menyukai. Misalnya, Anda mungkin menemukan bahwa produk memiliki beberapa nama memiliki korelasi yang kuat. Atau, Anda mungkin menemukan bahwa istilah yang sangat negatif biasanya dikaitkan dengan produk tertentu. Anda dapat menggunakan ukuran kesamaan baik untuk mengidentifikasi istilah terkait dan membuat rekomendasi.
Input yang diharapkan
| Nama | Jenis | Deskripsi |
|---|---|---|
| Himpunan Data | Tabel Data | Himpunan data input |
Parameter modul
| Nama | Jenis | Rentang | Opsional | Default | Deskripsi |
|---|---|---|---|---|---|
| Jumlah bit hash | Bilangan bulat | [1;31] | Berlaku saat kotak centang Perlihatkan semua opsitidak dipilih | 12 | Jumlah bit yang digunakan untuk hashing fitur |
| Kolom target | Pilihan Kolom | Diperlukan | StringFeature | Nama atau indeks kolom target | |
| Jumlah topik untuk dimodelkan | Bilangan bulat | [1;1000] | Diperlukan | 5 | Memodelkan distribusi dokumen terhadap topik N |
| N-gram | Bilangan bulat | [1;10] | Diperlukan | 2 | Urutan N-grams yang dihasilkan selama hashing |
| Menormalkan | Boolean | Diperlukan | true | Menormalkan output ke peluang. Dataset yang diubah akan menjadi P (topic|document) dan matriks topik fitur akan menjadi P (word|topic). | |
| Lihat semua opsi | Boolean | True atau False | Diperlukan | False | Menyajikan parameter tambahan khusus untuk Vowpal Wabbit online LDA |
| Parameter Rho | Float | [0.00001;1.0] | Berlaku saat kotak centang Perlihatkan semua opsi dipilih | 0.01 | Parameter Rho |
| Parameter alfa | Float | [0.00001;1.0] | Berlaku saat kotak centang Perlihatkan semua opsi dipilih | 0.01 | Parameter alfa |
| Estimasi jumlah dokumen | Bilangan bulat | [1;int. MaxValue] | Berlaku saat kotak centang Perlihatkan semua opsi dipilih | 1000 | Perkiraan jumlah dokumen (Sesuai dengan parameter lda_D) |
| Ukuran batch | Bilangan bulat | [1;1024] | Berlaku saat kotak centang Perlihatkan semua opsi dipilih | 32 | Ukuran batch |
| Nilai awal perulangan yang digunakan dalam jadwal pembaruan tingkat pembelajaran | Bilangan bulat | [0;int.MaxValue] | Berlaku saat kotak centang Perlihatkan semua opsi dipilih | 0 | Nilai awal jumlah iterasi yang digunakan dalam jadwal pembaruan tingkat pembelajaran (Sesuai dengan parameter initial_t) |
| Daya diterapkan ke perulangan selama pembaruan | Float | [0.0;1.0] | Berlaku saat kotak centang Perlihatkan semua opsi dipilih | 0.5 | Daya yang diterapkan ke jumlah iterasi selama pembaruan online (Sesuai dengan parameter power_t) |
| Jumlah perulangan pelatihan | Bilangan bulat | [1;1024] | Berlaku saat kotak centang Perlihatkan semua opsi dipilih | 25 | Jumlah perulangan pelatihan |
| Menyusun kamus ngram | Boolean | True atau False | Berlaku saat kotak centang Perlihatkan semua opsitidak dipilih | True | Menyusun kamus ngram sebelum menghitung LDA. Berguna untuk inspeksi dan interpretasi model |
| Jumlah bit yang digunakan untuk hashing fitur | Bilangan bulat | [1;31] | Berlaku saat opsi Buat kamus ngram adalah False | 12 | Jumlah bit yang digunakan selama hashing fitur |
| Ukuran maksimum kamus ngram | Bilangan bulat | [1;int. MaxValue] | Berlaku saat opsi Menyusun kamus ngram adalah True | 20000 | Ukuran maksimum kamus ngram. Jika jumlah token dalam input melebihi ukuran ini, tabrakan dapat terjadi |
| Menyusun kamus ngram sebelum LDA | Boolean | True atau False | Berlaku saat kotak centang Perlihatkan semua opsi dipilih | True | Menyusun kamus ngram sebelum LDA. Berguna untuk inspeksi dan interpretasi model |
| Jumlah maksimum ngram dalam kamus | Bilangan bulat | [1;int. MaxValue] | Berlaku saat opsi Buat kamus ngram adalah True dan kotak centang Perlihatkan semua opsi dipilih | 20000 | Ukuran maksimum kamus. Jika jumlah token dalam input melebihi ukuran ini, tabrakan dapat terjadi |
Output
| Nama | Jenis | Deskripsi |
|---|---|---|
| Mengubah himpunan data | Tabel Data | Himpunan data output |
| Matriks topik fitur | Tabel Data | Matriks topik fitur yang diproduksi oleh LDA |
| Perubahan LDA | Antarmuka ITransform | Transformasi yang menerapkan LDA ke himpunan data |
Pengecualian
| Pengecualian | Deskripsi |
|---|---|
| Kesalahan 0002 | 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