Vowpal Wabbit versie 8-model scoren

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.

Scores van gegevens met behulp van het Vowpal Wabbit machine learning van de opdrachtregelinterface

Categorie: Text Analytics

Notitie

Van toepassing op: Machine Learning Studio (klassiek)

Vergelijkbare modules met slepen en neerzetten zijn beschikbaar in Azure Machine Learning designer.

Moduleoverzicht

In dit artikel wordt beschreven hoe u de module Score Vowpal Wabbit Version 8 Model in Machine Learning Studio (klassiek) gebruikt om scores te genereren voor een set invoergegevens, met behulp van een bestaand getraind Vowpal Wabbit-model.

Deze module bevat de nieuwste versie van het Vowpal Wabbit-framework, versie 8. Gebruik deze module om gegevens te scoren met behulp van een getraind model dat is opgeslagen in de VW-indeling versie 8.

Als u bestaande modellen hebt gemaakt met een eerdere versie, gebruikt u deze modules:

• Vowpal Wabbit 7-4-model trainen
• Vowpal Wabbit 7-4-model scoren

Score Vowpal Wabbit Model 8 configureren

1. Voeg de module Score Vowpal Wabbit Version 8 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 groep Getrainde modellen van het linkernavigatiedeelvenster van Studio (klassiek). Het model moet echter beschikbaar zijn in Machine Learning Studio (klassiek). U kunt een model niet rechtstreeks vanuit Azure Storage laden.

   Notitie

   Alleen Vowpal Wabbit 8-modellen worden ondersteund; U kunt geen opgeslagen modellen verbinden die zijn getraind met behulp van andere algoritmen en u kunt geen modellen gebruiken die zijn getraind met eerdere versies.

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

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

4. Klik op Gegevenstype opgeven en selecteer een van de ondersteunde gegevenstypen in de lijst.

   Voor scoren is één kolom met MET VW compatibele gegevens vereist.

   Als u een bestaand bestand hebt dat is gemaakt in de indeling SVMLight of VW, kunt u het in de Azure ML-werkruimte laden als een nieuwe gegevensset in een van deze indelingen: Algemene CSV zonder header, TSV zonder koptekst.

   De VW-optie vereist dat er een label aanwezig is, maar het wordt niet gebruikt bij het scoren, behalve voor vergelijking.

5. Voeg een module Import Data toe en verbind deze met de rechterinvoerpoort van Score Vowpal Wabbit Version 8. Configureer Gegevens importeren voor toegang tot de invoergegevens.

   De invoergegevens voor scoren moeten van tevoren zijn voorbereid in een van de ondersteunde indelingen en zijn opgeslagen in Azure Blob Storage.

6. Selecteer de optie Een extra kolom met labels opnemen als u labels samen met de scores wilt gebruiken.

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

7. Selecteer de optie Include an extra column containing raw scores (Een extra kolom met onbewerkte scores opnemen) als u onbewerkte scores samen met de resultaten wilt produceren.

   Tip

   Deze optie is nieuw voor Vowpal Wabbit versie 8.

8. Selecteer de optie In cache opgeslagen resultaten gebruiken als u de resultaten van een vorige run opnieuw wilt gebruiken, ervan uitgaande dat aan de volgende voorwaarden wordt voldaan:

   • Er bestaat een geldige cache uit een eerdere run.

   • De instellingen voor invoergegevens en parameters van de module zijn niet gewijzigd sinds de vorige run.

   Anders wordt het importproces herhaald telkens als het experiment wordt uitgevoerd.

9. Voer het experiment uit.

Resultaten

Nadat de training is voltooid:

• Als u de resultaten wilt visualiseren, klikt u met de rechtermuisknop op de uitvoer van de module Score Vowpal Wabbit Version 8 Model .

De uitvoer geeft aan dat een voorspellingsscore is genormaliseerd van 0 naar 1.

Voorbeelden

Voor voorbeelden van hoe Vowpal Wabbit kan worden gebruikt in machine learning, zie de Azure AI Gallery:

• Vowpal Wabbit-voorbeeld

  In dit experiment wordt de gegevensvoorbereiding, training en operationalisering van een VW-model gedemonstreerd.

De volgende video biedt een overzicht van het training- en scoreproces voor Vowpal Wabbit:

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

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 van Vowpal Wabbit weer te geven.

De volgende parameters worden niet ondersteund in 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 de module.

• 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, enzovoort --search .

Alle andere argumenten dan de hierboven beschreven argumenten zijn toegestaan.

Verwachte invoer

Naam	Type	Description
Getraind model	ILearner-interface	Getrainde learner
Gegevensset	Gegevenstabel	Gegevensset die moet worden scoren

Moduleparameters

Name	Bereik	Type	Standaard	Beschrijving
Gegevenstype opgeven	VW SVMLight	DataType	VW	Geef aan of het bestandstype SVMLight of Vowpal Wabbit is
VW-argumenten	alle	Tekenreeks	geen	Typ Vowpal Wabbit-argumenten. Neem -i of -p, of -t niet op
Een extra kolom met labels opnemen	Waar/onwaar	Boolean-waarde	onjuist	Geef op of het ingepakte bestand labels moet bevatten met de voorspellingen
Een extra kolom met onbewerkte scores opnemen	Waar/onwaar	Boolean-waarde	onjuist	Geef op of het resultaat extra kolommen moet bevatten met de onbewerkte scores (overeenkomend met --raw_predictions)

Uitvoerwaarden

Naam	Type	Description
Gegevensset met resultaten	Gegevenstabel	Gegevensset met de voorspellingsresultaten

Uitzonderingen

Uitzondering	Description
Fout 0001	Er treedt een uitzondering op als een of meer opgegeven kolommen met gegevenssets niet kunnen worden gevonden.
Fout 0003	Uitzondering treedt op als een of meer invoer null of leeg zijn.
Fout 0004	Uitzondering treedt op als de parameter kleiner is dan of gelijk is aan een specifieke waarde.
Fout 0017	Uitzondering treedt op als voor een of meer opgegeven kolommen type niet wordt ondersteund door de huidige module.

Zie Foutcodes voor een lijst met fouten die specifiek zijn Machine Learning voor Studio-modules (klassiek).

Zie Foutcodes voor een lijst Machine Learning REST API API-uitzonderingen.

Zie ook

Tekstanalyse
Functie-hashing
Herkenning van benoemde entiteiten
Vowpal Wabbit 7-4-model scoren
Vowpal Wabbit 7-4-model trainen
Vowpal Wabbit 8-model trainen
Lijst met A-Z-modules