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 voor een set invoergegevens te genereren 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 scoren 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 het 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 geen opgeslagen modellen verbinden die zijn getraind met behulp van andere algoritmen.

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 de naam van het testgegevensbestand leeg.

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

   Zie de sectie Technische opmerkingen voor informatie over welke Vowpal Wabbit-argumenten worden ondersteund 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. Geef het bestandstype op: Geef aan welke indeling uw trainingsgegevens gebruiken. Vowpal Wabbit ondersteunt deze twee invoerbestandsindelingen:

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

7. Selecteer de optie, Voeg een extra kolom met labels toe als u labels samen met de scores wilt uitvoeren.

   Bij het verwerken van tekstgegevens heeft Vowpal Wabbit doorgaans geen labels nodig en worden alleen de scores voor elke rij met gegevens geretourneerd.

8. Selecteer de optie, Voeg een extra kolom met onbewerkte scores toe 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 wabbitmodelonderdeel Score Vowpal. De uitvoer geeft een voorspellingsscore aan die is genormaliseerd van 0 tot en met 1.

• Als u de resultaten wilt evalueren, moet de uitvoergegevensset specifieke kolomnamen voor scoren bevatten, die voldoen aan de vereisten voor het evalueren van modelonderdelen.

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

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

Technische notities

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 Vowpal Wabbit-wikipagina 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 worden al automatisch geconfigureerd door het onderdeel.

• Bovendien is elke optie die meerdere uitvoer genereert of meerdere invoer gebruikt, niet toegestaan. Dit zijn onder andere --cbt, --ldaen --wap.

• Alleen algoritmen 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.