Machine Learning - Score
Belangrijk
De ondersteuning voor Azure Machine Learning-studio (klassiek) eindigt op 31 augustus 2024. U wordt aangeraden om vóór die datum over te stappen naar Azure Machine Learning.
Vanaf 1 december 2021 kunt u geen nieuwe resources voor Azure Machine Learning-studio (klassiek) meer maken. Tot en met 31 augustus 2024 kunt u de bestaande resources van Azure Machine Learning-studio (klassiek) blijven gebruiken.
- Zie informatie over het verplaatsen machine learning van ML Studio (klassiek) naar Azure Machine Learning.
- Meer informatie over Azure Machine Learning.
De documentatie van ML-studio (klassiek) wordt buiten gebruik gesteld en wordt in de toekomst mogelijk niet meer bijgewerkt.
In deze sectie vindt u de modules in Machine Learning Studio (klassiek) voor scoren.
Notitie
Van toepassing op: Machine Learning Studio (klassiek)
Vergelijkbare modules voor slepen en neerzetten zijn beschikbaar in Azure Machine Learning designer.
Scoren wordt ook wel voorspelling genoemd en is het proces van het genereren van waarden op basis van een getraind machine learning model, gezien een aantal nieuwe invoergegevens. De waarden of scores die worden gemaakt, kunnen voorspellingen van toekomstige waarden vertegenwoordigen, maar ze kunnen ook een waarschijnlijke categorie of resultaat vertegenwoordigen. De betekenis van de score is afhankelijk van het type gegevens dat u op geeft en het type model dat u hebt gemaakt.
Modellen maken en gebruiken in Machine Learning Studio (klassiek)
De gebruikelijke werkstroom voor machine learning omvat de volgende fasen:
- Een geschikt algoritme kiezen en initiële opties instellen.
- Het model trainen op compatibele gegevens.
- Voorspellingen maken met behulp van nieuwe gegevens, op basis van de patronen in het model.
- Het model evalueren om te bepalen of de voorspellingen nauwkeurig zijn, hoeveel fouten er zijn en of er sprake is van overfitting.
Machine Learning Studio (klassiek) ondersteunt een flexibel, aanpasbaar framework voor machine learning. Elke taak in dit proces wordt uitgevoerd door een specifiek type module, dat kan worden gewijzigd, toegevoegd of verwijderd, zonder de rest van uw experiment te verbreken.
De modules in deze sectie bevatten hulpprogramma's voor scoren. In deze fase van machine learning u een getraind model op nieuwe gegevens toe om voorspellingen te genereren. U kunt deze voorspellingen verzenden naar een toepassing die machine learning verbruikt, of de resultaten van de score gebruiken om de nauwkeurigheid en het nut van het model te evalueren.
Meer informatie over scoren
Scoren wordt veel gebruikt in machine learning het proces van het genereren van nieuwe waarden, op basis van een model en wat nieuwe invoer. De algemene term 'score' wordt gebruikt in plaats van 'voorspelling', omdat het scoreproces zoveel verschillende typen waarden kan genereren:
- Een lijst met aanbevolen items en een vergelijkbaarheidsscore.
- Numerieke waarden voor tijdreeksmodellen en regressiemodellen.
- Een waarschijnlijkheidswaarde die de kans aangeeft dat een nieuwe invoer tot een bestaande categorie behoort.
- De naam van een categorie of cluster waarop een nieuw item het meest lijkt.
- Een voorspelde klasse of een voorspeld resultaat voor classificatiemodellen.
Notitie
Mogelijk hebt u ook gehoord van het woord score dat wordt gebruikt om een gewicht of waarde te betekenen die is toegewezen als gevolg van gegevensanalyse. In Machine Learning Studio (klassiek) duidt scoren meestal echter op het proces van het genereren van voorspelde waarden op basis van nieuwe gegevens.
Wanneer u een van deze modules aan uw experiment toevoegt, moet u een al getraind machine learning model en enkele nieuwe gegevens toevoegen. Wanneer u het experiment of de geselecteerde module hebt uitgevoerd, worden de nieuwe gegevens opgenomen in de scoremodule, worden scores berekend op basis van het model en worden de scores in een tabel retourneert.
Gegevens die worden gebruikt voor scoren
De nieuwe gegevens die u als invoer op geeft, moeten over het algemeen dezelfde kolommen hebben die zijn gebruikt voor het trainen van het model, min het label of de resultaatkolom.
Kolommen die uitsluitend als id worden gebruikt, worden doorgaans uitgesloten bij het trainen van een model en moeten dus ook worden uitgesloten bij het scoren. Id's zoals primaire sleutels kunnen later echter eenvoudig opnieuw worden gecombineerd met de scoregegevensset met behulp van de module Kolommen toevoegen. Deze module werkt zonder dat u een join-sleutel moet opgeven, zolang de grootte van de gegevensset niet is gewijzigd.
Voordat u een score op uw gegevensset gaat uitvoeren, moet u altijd controleren op ontbrekende waarden en null-waarden. Wanneer gegevens die worden gebruikt als invoer voor scoren ontbrekende waarden bevatten, worden de ontbrekende waarden gebruikt als invoer. Omdat null-waarden worden doorgegeven, is het resultaat meestal een ontbrekende waarde.
Lijst met scoremodules
Machine Learning Studio (klassiek) biedt veel verschillende scoremodules. U selecteert er een, afhankelijk van het type model dat u gebruikt of het type scoretaak dat u wilt uitvoeren:
Transformatie toepassen: Hiermee wordt een goed opgegeven gegevenstransformatie toegepast op een gegevensset.
Gebruik deze module om een opgeslagen proces toe te passen op een set gegevens.
Gegevens toewijzen aan clusters: wijst gegevens toe aan clusters met behulp van een bestaand getraind clusteringmodel.
Gebruik deze module als u nieuwe gegevens wilt clusteren op basis van een bestaand K-Means-clusteringmodel.
Deze module vervangt de module Toewijzen aan clusters (afgeschaft), die is afgeschaft, maar nog steeds beschikbaar is voor gebruik in bestaande experimenten.
Score Matchbox Recommender: Scores predictions for a dataset by using the Matchbox recommender .Score Matchbox Recommender (Score Matchbox Recommender: scoresvoorspellingen voor een gegevensset met behulp van de matchbox-aanbeveling).
Gebruik deze module als u aanbevelingen wilt genereren, gerelateerde items of gebruikers wilt zoeken of beoordelingen wilt voorspellen.
Scoremodel: Scoresvoorspellingen voor een getraind classificatie- of regressiemodel.
Gebruik deze module voor alle andere regressie- en classificatiemodellen, evenals enkele anomaliedetectiemodellen.
Gerelateerde taken
- Er zijn speciale scoremodules beschikbaar voor Vowpal Wabbit. Zie Text Analytics.
- U kunt scoren voor speciale klassen afbeeldingen op vooraf getrainde modellen met behulp van de OpenCV-bibliotheek.
- De module Time Series Anomaly Detection genereert scores die mogelijke afwijkingen van een trend vertegenwoordigen.
Voorbeelden
Deze voorbeelden in de Azure AI Gallery het proces van scoren, van basisscenario's tot geavanceerde scenario's:
Binaire classificatie voor Direct Marketing: demonstreert de basiswerkstroom voor scoren, in een scenario waarin de voorspelde waarde klantreactie is op een marketingcampagne.
Boekbeoordelingen voorspellen: Scoren op tekstgegevens. Maakt gebruik van een logistiek regressiemodel.
Learning counts: laat zien hoe u op count gebaseerde featurization kunt gebruiken om voorspellingen te doen.
Batchscores zonder code met Logic Apps en Machine Learning: illustreert het end-to-end-proces van trainen en scoren, geautomatiseerd met de Logic Apps-functie van Azure App Service.
De volgende artikelen bieden praktijkvoorbeelden van hoe u een machine learning kunt gebruiken voor scoren: