Machine Learning — wynik

  • Artykuł

Ważne

Obsługa programu Machine Learning Studio (wersja klasyczna) zakończy się 31 sierpnia 2024 r. Zalecamy przejście do usługi Azure Machine Learning przed tym terminem.

Od 1 grudnia 2021 r. nie będzie można tworzyć nowych zasobów programu Machine Learning Studio (wersja klasyczna). Do 31 sierpnia 2024 r. można będzie nadal korzystać z istniejących zasobów programu Machine Learning Studio (wersja klasyczna).

Dokumentacja programu ML Studio (wersja klasyczna) jest wycofywana i może nie być aktualizowana w przyszłości.

W tej sekcji wymieniono moduły dostępne w programie Machine Learning Studio (wersja klasyczna) na temat oceniania.

Uwaga

Dotyczy: Machine Learning Studio (wersja klasyczna)

Podobne moduły przeciągania i upuszczania są dostępne w Azure Machine Learning projektanta.

Ocenianie jest również nazywane przewidywaniem i jest procesem generowania wartości na podstawie wytrenego modelu uczenia maszynowego na podstawie nowych danych wejściowych. Utworzone wartości lub wyniki mogą reprezentować przewidywania przyszłych wartości, ale mogą również reprezentować prawdopodobną kategorię lub wynik. Znaczenie wyniku zależy od typu danych i typu utworzonego modelu.

Tworzenie i używanie modeli w programie Machine Learning Studio (wersja klasyczna)

Typowy przepływ pracy uczenia maszynowego obejmuje następujące fazy:

  • Wybieranie odpowiedniego algorytmu i ustawianie opcji początkowych.
  • Trenowanie modelu na podstawie zgodnych danych.
  • Tworzenie przewidywań przy użyciu nowych danych na podstawie wzorców w modelu.
  • Ocenianie modelu w celu określenia, czy przewidywania są dokładne, ile jest błędów i czy występuje jakieś przesłonienie.

Machine Learning Studio (klasyczne) obsługuje elastyczną, dostosowywaną platformę do uczenia maszynowego. Każde zadanie w tym procesie jest wykonywane przez określony typ modułu, który można modyfikować, dodawać lub usuwać bez przerywania pozostałej części eksperymentu.

Moduły w tej sekcji zawierają narzędzia do oceniania. W tej fazie uczenia maszynowego stosujesz wytrenowany model do nowych danych w celu generowania przewidywań. Możesz wysłać te przewidywania do aplikacji, która korzysta z wyników uczenia maszynowego, lub użyć wyników oceniania, aby ocenić dokładność i użyteczność modelu.

Więcej informacji na temat oceniania

Ocenianie jest powszechnie używane w uczeniu maszynowym, co oznacza proces generowania nowych wartości, biorąc pod uwagę model i pewne nowe dane wejściowe. Używany jest ogólny termin "wynik", a nie "przewidywanie", ponieważ proces oceniania może wygenerować tak wiele różnych typów wartości:

  • Lista zalecanych elementów i wynik podobieństwa.
  • Wartości liczbowe dla modeli szeregów czasowych i modeli regresji.
  • Wartość prawdopodobieństwa wskazująca prawdopodobieństwo, że nowe dane wejściowe należą do istniejącej kategorii.
  • Nazwa kategorii lub klastra, do której najbardziej podobny jest nowy element.
  • Przewidywana klasa lub wynik dla modeli klasyfikacji.

Uwaga

Być może wiesz również, że wyraz score oznacza wagę lub wartość przypisaną w wyniku analizy danych. Jednak w Machine Learning Studio (klasycznej) ocenianie zwykle oznacza proces generowania przewidywanych wartości na pomocą nowych danych.

Podczas dodawania jednego z tych modułów w eksperymencie należy dołączyć już wytrenowany model uczenia maszynowego i nowe dane. Po uruchomieniu eksperymentu lub wybranego modułu moduł oceniania pozyuje nowe dane, oblicza wyniki na podstawie modelu i zwraca wyniki w tabeli.

Dane używane do oceniania

Nowe dane, które są wprowadzane jako dane wejściowe, zwykle muszą mieć te same kolumny, które zostały użyte do trenowania modelu, bez etykiety lub kolumny wyniku.

Kolumny, które są używane wyłącznie jako identyfikatory, są zwykle wykluczane podczas trenowania modelu i dlatego powinny być wykluczone podczas oceniania. Jednak identyfikatory, takie jak klucze podstawowe, można później łatwo ponownie połączyć z zestawem danych oceniania za pomocą modułu Dodawanie kolumn . Ten moduł działa bez konieczności określania klucza sprzężenia, o ile rozmiar zestawu danych nie uległ zmianie.

Przed wykonaniem oceny zestawu danych zawsze sprawdzaj brakujące wartości i wartości null. Jeśli w danych używanych jako dane wejściowe do oceniania brakuje wartości, brakujące wartości są używane jako dane wejściowe. Ponieważ wartości null są propagowane, w wyniku zwykle brakuje wartości.

Lista modułów oceniania

Machine Learning Studio (klasyczne) udostępnia wiele różnych modułów oceniania. Wybierasz go w zależności od typu modelu lub typu zadania oceniania, które wykonujesz:

  • Zastosuj przekształcenie: stosuje dobrze określone przekształcenie danych do zestawu danych.

    Ten moduł umożliwia zastosowanie zapisanego procesu do zestawu danych.

  • Przypisywanie danych do klastrów: przypisuje dane do klastrów przy użyciu istniejącego wytrenowany model klastrowania.

    Użyj tego modułu, jeśli chcesz klastrować nowe dane na podstawie istniejącego modelu klastrowania k-węzłów.

    Ten moduł zastępuje moduł Assign to Clusters (przestarzałe), który został wycofany, ale jest nadal dostępny do użycia w istniejących eksperymentach.

  • Ocenianie polecania pola dopasowania: ocenia przewidywania dla zestawu danych za pomocą polecenia matchbox.

    Użyj tego modułu, jeśli chcesz wygenerować rekomendacje, znaleźć powiązane elementy lub użytkowników albo przewidzieć oceny.

  • Score Model (Ocenianie modelu): ocenia przewidywania dla wytrenowany model klasyfikacji lub regresji.

    Użyj tego modułu dla wszystkich innych modeli regresji i klasyfikacji, a także niektórych modeli wykrywania anomalii.

Przykłady

Te przykłady w Azure AI Gallery pokazują proces oceniania, od podstawowych do zaawansowanych scenariuszy:

  • Klasyfikacja binarna dla marketingu bezpośredniego: pokazuje podstawowy przepływ pracy oceniania w scenariuszu, w którym przewidywana wartość jest odpowiedzią klienta na kampanię marketingową.

  • Przewidywanie recenzji książek: Ocenianie na podstawie danych tekstowych. Używa modelu regresji logistycznej.

  • Edukacja z liczbami: pokazuje, jak używać cechowania na podstawie liczby do tworzenia przewidywań.

  • Ocenianie wsadowe bez kodu za pomocą Logic Apps i Machine Learning: ilustruje proces trenowania i oceniania na wszystkich Logic Apps funkcji Azure App Service.

Poniższe artykuły zawierają rzeczywiste przykłady wykorzystania modelu uczenia maszynowego do oceniania:

Zobacz też