Vowpal Wabbit-model scoren

In dit artikel wordt beschreven hoe u het onderdeel Score Vowpal Wabbit Model in Azure Machine Learning Designer gebruikt om scores te genereren voor een set invoergegevens met behulp van een bestaand getraind Vowpal Wabbit-model.

Dit onderdeel biedt de nieuwste versie van het Vowpal Wabbit-framework, versie 8.8.1. Gebruik dit onderdeel om gegevens te beoordelen met behulp van een getraind model dat is opgeslagen in de VW versie 8-indeling.

Score Vowpal Wabbit-model configureren

1. Voeg het onderdeel Score Vowpal Wabbit Model toe aan uw experiment.

2. Voeg een getraind Vowpal Wabbit-model toe en verbind dit met de linkerinvoerpoort. U kunt een getraind model gebruiken dat in hetzelfde experiment is gemaakt of een opgeslagen model zoeken in de categorie Gegevenssets van het linkernavigatiedeelvenster van de ontwerper. Het model moet echter beschikbaar zijn in Azure Machine Learning Designer.

   Notitie

   Alleen Vowpal Wabbit 8.8.1-modellen worden ondersteund; u kunt opgeslagen modellen die zijn getraind met andere algoritmen niet verbinden.

3. Voeg de testgegevensset toe en verbind deze met de rechterinvoerpoort. Als de testgegevensset een map is die het testgegevensbestand bevat, geeft u de naam van het testgegevensbestand op met de naam van het testgegevensbestand. Als de testgegevensset één bestand is, laat u Naam van het testgegevensbestand leeg.

4. Typ in het tekstvak VW-argumenten een set geldige opdrachtregelargumenten voor het uitvoerbare bestand Vowpal Wabbit.

   Zie de sectie Technische opmerkingen voor informatie over welke Vowpal Wabbit-argumenten wel en niet worden ondersteund in Azure Machine Learning.

5. Naam van het testgegevensbestand: Typ de naam van het bestand dat de invoergegevens bevat. Dit argument wordt alleen gebruikt wanneer de testgegevensset een map is.

6. Bestandstype opgeven: geef aan welke indeling uw trainingsgegevens gebruiken. Vowpal Wabbit ondersteunt deze twee invoerbestandsindelingen:

   • VW vertegenwoordigt het interne formaat dat wordt gebruikt door Vowpal Wabbit . Zie de wikipagina Vowpal Wabbit voor meer informatie.
   • SVMLight is een indeling die wordt gebruikt door een aantal andere machine learning-hulpprogramma's.

7. Selecteer de optie Een extra kolom met labels opnemen als u labels samen met de scores wilt uitvoeren.

   Vowpal Wabbit heeft bij het verwerken van tekstgegevens doorgaans geen labels nodig en retourneert alleen de scores voor elke rij gegevens.

8. Selecteer de optie Een extra kolom met onbewerkte scores opnemen als u onbewerkte scores samen met de resultaten wilt uitvoeren.

9. Verzend de pijplijn.

Resultaten

Nadat de training is voltooid:

• Als u de resultaten wilt visualiseren, klikt u met de rechtermuisknop op de uitvoer van het onderdeel Score Vowpal Wabbit Model . De uitvoer geeft een voorspellingsscore aan die is genormaliseerd van 0 tot 1.

• Om de resultaten te evalueren, moet de uitvoergegevensset specifieke scorekolomnamen bevatten, die voldoen aan de onderdeelvereisten voor Evaluate Model.

  • Voor een regressietaak moet de te evalueren gegevensset één kolom hebben, met de naam Regression Scored Labels, die labels met scoren vertegenwoordigt.
  • Voor een binaire classificatietaak moet de te evalueren gegevensset twee kolommen hebben, genaamd Binary Class Scored Labels,Binary Class Scored Probabilities die respectievelijk scorelabels en waarschijnlijkheden vertegenwoordigen.
  • Voor een taak met meerdere classificaties moet de te evalueren gegevensset één kolom hebben met de naam Multi Class Scored Labels, die labels met scoren vertegenwoordigt.

  Houd er rekening mee dat de resultaten van het onderdeel Score Vowpal Wabbit Model niet rechtstreeks kunnen worden geëvalueerd. Voordat de gegevensset wordt geëvalueerd, moet deze worden gewijzigd volgens de bovenstaande vereisten.

Technische opmerkingen

Deze sectie bevat implementatiedetails, tips en antwoorden op veelgestelde vragen.

Parameters

Vowpal Wabbit heeft veel opdrachtregelopties voor het kiezen en afstemmen van algoritmen. Een volledige bespreking van deze opties is hier niet mogelijk; We raden u aan de wikipagina Vowpal Wabbit te bekijken.

De volgende parameters worden niet ondersteund in Azure Machine Learning Studio (klassiek).

• De invoer-/uitvoeropties die zijn opgegeven in https://github.com/JohnLangford/vowpal_wabbit/wiki/Command-line-arguments

  Deze eigenschappen zijn al automatisch geconfigureerd door het onderdeel.

• Bovendien is elke optie die meerdere uitvoer genereert of meerdere invoer gebruikt, niet toegestaan. Deze omvatten --cbt, --ldaen --wap.

• Alleen leeralgoritmen onder supervisie worden ondersteund. Dit staat deze opties niet toe: –active, --rank, --search enzovoort.

Alle andere argumenten dan de hierboven beschreven argumenten zijn toegestaan.

Volgende stappen

Bekijk de set onderdelen die beschikbaar zijn voor Azure Machine Learning.