Partilhar via


Modelo de Classificação

Importante

O suporte para o Estúdio de ML (clássico) terminará a 31 de agosto de 2024. Recomendamos a transição para o Azure Machine Learning até essa data.

A partir de 1 de dezembro de 2021, não poderá criar novos recursos do Estúdio de ML (clássico). Até 31 de agosto de 2024, pode continuar a utilizar os recursos existentes do Estúdio de ML (clássico).

A documentação do Estúdio de ML (clássico) está a ser descontinuada e poderá não ser atualizada no futuro.

Previsões de pontuação para um modelo de classificação ou regressão treinado

Categoria: Machine Learning / Pontuação

Nota

Aplica-se a: Machine Learning Studio (clássico) apenas

Módulos semelhantes de arrasto e queda estão disponíveis em Azure Machine Learning designer.

Visão geral do módulo

Este artigo descreve como usar o módulo Score Model em Machine Learning Studio (clássico), para gerar previsões usando um modelo de classificação ou regressão treinado.

Como utilizar o Modelo de Pontuação

  1. Adicione o módulo Score Model à sua experiência no Studio (clássico).

  2. Anexar um modelo treinado e um conjunto de dados contendo novos dados de entrada.

    Os dados devem estar num formato compatível com o tipo de modelo treinado que está a utilizar. O esquema do conjunto de dados de entrada também deve corresponder geralmente ao esquema dos dados utilizados para treinar o modelo.

  3. Execute a experimentação.

Resultados

Depois de ter gerado um conjunto de pontuações utilizando o Modelo de Pontuação:

  • Para gerar um conjunto de métricas utilizadas para avaliar a precisão do modelo (desempenho). pode ligar o conjunto de dados marcado ao Modelo de Avaliação,
  • Clique com o botão direito no módulo e selecione Visualize para ver uma amostra dos resultados.
  • Guarde os resultados para um conjunto de dados.

A pontuação, ou valor previsto, pode estar em vários formatos diferentes, dependendo do modelo e dos dados de entrada:

  • Para os modelos de classificação, o Score Model produz um valor previsto para a classe, bem como a probabilidade do valor previsto.
  • Para os modelos de regressão, o Score Model gera apenas o valor numérico previsto.
  • Para os modelos de classificação de imagem, a pontuação pode ser a classe de objeto na imagem, ou um Boolean indicando se uma determinada característica foi encontrada.

Publicar pontuações como um serviço web

Um uso comum de pontuação é devolver a saída como parte de um serviço web preditivo. Para mais informações, consulte este tutorial sobre como criar um serviço web baseado numa experiência no Azure ML Studio (clássico):

Exemplos

Por exemplo, como o Score Model é utilizado num fluxo de trabalho experimental, consulte a Galeria Azure AI:

Notas técnicas

Modelos não suportados pelo Score Model

Se estiver a utilizar um dos seguintes tipos especiais de modelo, poderá ter de utilizar um destes módulos de pontuação personalizados:

Dicas de utilização

Se os dados que está a pontuar contiverem valores em falta, em muitos casos nenhuma pontuação será gerada para toda a linha.

Os seguintes modelos de aprendizagem automática requerem que os dados não tenham valores em falta. Ao utilizar os seguintes modelos de machine learning, reveja os dados antes de os passar para o Modelo de Pontuação e utilize dados em falta para alterar os valores em falta nas colunas de entrada.

Entradas esperadas

Nome Tipo Description
Modelo treinado Interface ILearner Modelo preditivo treinado
Conjunto de dados Tabela de Dados Conjunto de dados de teste de entrada

Saídas

Nome Tipo Description
Conjunto de dados pontuado Tabela de Dados Conjunto de dados com pontuações obtidas

Exceções

Exceção Description
Erro 0032 A exceção ocorre se o argumento não for um número.
Erro 0033 A exceção ocorre se o argumento for infinito.
Erro 0003 A exceção ocorre se uma ou mais entradas forem nulas ou vazias.
Erro 0013 A exceção ocorre se o aluno que é passado para o módulo for um tipo inválido.

Ver também

Avaliar
Preparar Modelo
Pontuar Matchbox Recomendador