Klasyfikacja modelu
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).
- Zobacz informacje na temat przenoszenia projektów uczenia maszynowego z programu ML Studio (wersja klasyczna) do Azure Machine Learning.
- Dowiedz się więcej o Azure Machine Learning.
Dokumentacja programu ML Studio (wersja klasyczna) jest wycofywana i może nie być aktualizowana w przyszłości.
Ocenianie przewidywań dla wytrenowania klasyfikacji lub modelu regresji
Kategoria: Machine Learning / Wynik
Uwaga
Dotyczy: tylko Machine Learning Studio (klasyczne)
Podobne moduły przeciągania i upuszczania są dostępne w Azure Machine Learning projektanta.
Omówienie modułu
W tym artykule opisano sposób używania modułu Score Model (Generowanie wyników dla modelu) w programie Machine Learning Studio (wersja klasyczna) do generowania przewidywań przy użyciu wytrenowania klasyfikacji lub modelu regresji.
Jak używać oceny modelu
Dodaj moduł Score Model (Ocena modelu ) do eksperymentu w programie Studio (wersja klasyczna).
Dołącz wytrenowany model i zestaw danych zawierający nowe dane wejściowe.
Dane powinny być w formacie zgodnym z typem wytrenego modelu, który jest używany. Schemat wejściowego zestawu danych powinien również ogólnie odpowiadać schematowi danych używanych do trenowania modelu.
Uruchom eksperyment.
Wyniki
Po wygenerowaniu zestawu wyników przy użyciu funkcji Score Model (Generowanie wyników dla modelu):
- Aby wygenerować zestaw metryk używanych do oceny dokładności (wydajności) modelu. możesz połączyć oceniony zestaw danych z elementem Evaluate Model (Ocena modelu).
- Kliknij prawym przyciskiem myszy moduł i wybierz pozycję Visualize (Wizualizacja ), aby wyświetlić przykładowe wyniki.
- Zapisz wyniki w zestawie danych.
Wynik lub przewidywana wartość może być w wielu różnych formatach, w zależności od modelu i danych wejściowych:
- W przypadku modeli klasyfikacji wynik modelu wyprowadza przewidywaną wartość dla klasy, a także prawdopodobieństwo przewidywanej wartości.
- W przypadku modeli regresji wynik modelu generuje tylko przewidywaną wartość liczbową.
- W przypadku modeli klasyfikacji obrazów wynik może być klasą obiektu na obrazie lub wartością logiczną wskazującą, czy znaleziono określoną cechę.
Publikowanie wyników jako usługi internetowej
Często używa się oceniania w celu zwrócenia danych wyjściowych w ramach predykcyjnej usługi internetowej. Aby uzyskać więcej informacji, zobacz ten samouczek dotyczący tworzenia usługi internetowej na podstawie eksperymentu w usłudze Azure ML Studio (wersja klasyczna):
Przykłady
Aby uzyskać przykłady dotyczące sposobu, w jaki model score jest używany w eksperymentalnym przepływie pracy, zobacz Azure AI Gallery:
- Porównanie binarnych modeli klasyfikacji
- Porównanie modeli klasyfikacji wieloklasowej
- Porównanie modeli regresji wielokrotnej
Uwagi techniczne
Modele, które nie są obsługiwane przez model wyników
Jeśli używasz jednego z następujących specjalnych typów modelu, może być konieczne użycie jednego z tych niestandardowych modułów oceniania:
Ocena modelu klastrowania: użyj funkcji Przypisz dane do klastrów.
Tworzenie rekomendacji lub generowanie danych do oceny polecania: Użyj narzędzia polecania pola oceny
Porady dotyczące użycia
Jeśli oceniane dane zawierają brakujące wartości, w wielu przypadkach żaden wynik nie zostanie wygenerowany dla całego wiersza.
Następujące modele uczenia maszynowego wymagają, aby w danych nie brakuje wartości. W przypadku korzystania z następujących modeli uczenia maszynowego przejrzyj dane przed przekazaniem ich do tabeli Score Model (Ocena modelu) i użyj funkcji Clean Missing Data (Wyczyść brakujące dane), aby zmienić brakujące wartości w kolumnach wejściowych.
- Dwuklasowa regresja logistyczna
- Two-Class Support Vector Machine (Dwuklasowa maszyna wektorów nośnych)
Oczekiwane dane wejściowe
| Nazwa | Typ | Opis |
|---|---|---|
| Wytrenowany model | ILearner, interfejs | Wytrenowany model predykcyjny |
| Zestaw danych | Tabela danych | Wejściowy zestaw danych testowych |
Dane wyjściowe
| Nazwa | Typ | Opis |
|---|---|---|
| Scored dataset (Zestaw danych z wynikami | Tabela danych | Zestaw danych z uzyskanymi wynikami |
Wyjątki
| Wyjątek | Opis |
|---|---|
| Błąd 0032 | Wyjątek występuje, jeśli argument nie jest liczbą. |
| Błąd 0033 | Wyjątek występuje, jeśli argument ma wartość Nieskończoność. |
| Błąd 0003 | Wyjątek występuje, jeśli co najmniej jeden z danych wejściowych ma wartość null lub jest pusty. |
| Błąd 0013 | Wyjątek występuje, jeśli uczenia przekazywane do modułu są nieprawidłowym typem. |