Score Vowpal Wabbit Version 8 Model (Vowpal Wabbit-Modelle der Version 8 bewerten)

Bewertet Daten mithilfe des Machine Learning-Systems "Vowpal Wabbit" über die Befehlszeilenschnittstelle

Kategorie: Textanalyse

Hinweis

Gilt für: Machine Learning Studio (klassisch)

Dieser Inhalt bezieht sich nur auf Studio (klassisch). Ähnliche Drag & Drop-Module wurden Azure Machine Learning-Designer hinzugefügt. Weitere Informationen finden Sie in diesem Artikel zum Vergleich der beiden Versionen.

Modulübersicht

In diesem Artikel wird beschrieben, wie Sie das Modul Score vowpal wabbit Version 8 Model in Azure Machine Learning Studio (klassisch) verwenden, um mithilfe eines vorhandenen trainierten vowpal wabbit-Modells Ergebnisse für einen Satz von Eingabedaten zu generieren.

Dieses Modul stellt die neueste Version des vowpal wabbit-Frameworks, Version 8, bereit. Bewerten Sie mit diesem Modul Daten mithilfe eines trainierten Modells, das im VW-Format Version 8 gespeichert ist.

Wenn Sie über vorhandene Modelle verfügen, die mit einer früheren Version erstellt wurden, verwenden Sie die folgenden Module:

Konfigurieren des Score vowpal wabbit-Modells 8

  1. Fügen Sie Ihrem Experiment das Modul Score vowpal wabbit Version 8 Model hinzu.

  2. Fügen Sie ein trainiertes Vowpal Wabbit-Modell hinzu, und verbinden Sie es mit dem linken Eingabeport. Sie können ein trainiertes Modell verwenden, das im gleichen Experiment erstellt wurde, oder ein gespeichertes Modell in der Gruppe trainierte Modelle des linken Navigationsbereichs von Studio (klassisch) suchen. Das Modell muss jedoch in Azure Machine Learning Studio (klassisch) verfügbar sein. Sie können ein Modell nicht direkt aus Azure Storage laden.

    Hinweis

    Nur vowpal wabbit 8-Modelle werden unterstützt. Es ist nicht möglich, mit anderen Algorithmen trainierte gespeicherte Modelle zu verbinden, und Sie können keine Modelle verwenden, die mit früheren Versionen trainiert wurden.

  3. Geben Sie im Textfeld VW arguments (VW-Argumente) eine Gruppe gültiger Befehlszeilenargumente für die ausführbare Datei für Vowpal Wabbit an.

    Informationen darüber, welche Vowpal Wabbit-Argumente in Azure Machine Learning unterstützt werden und welche nicht, finden Sie im Abschnitt Technische Hinweise.

  4. Klicken Sie auf Datentyp angeben, und wählen Sie einen der unterstützten Datentypen aus der Liste aus.

    Für die Bewertung ist eine einzelne Spalte mit mit VW kompatiblen Daten erforderlich.

    Wenn Sie über eine vorhandene Datei verfügen, die im svmlight-oder VW-Format erstellt wurde, können Sie Sie als neues Dataset in einem der folgenden Formate in den Azure ml-Arbeitsbereich laden: Generisches CSV ohne Header, TSV ohne Header.

    Die Option " VW " erfordert, dass eine Bezeichnung vorhanden ist, Sie wird jedoch nicht in der Bewertung verwendet, außer für den Vergleich.

  5. Fügen Sie ein Import Data -Modul hinzu, und verbinden Sie es mit dem rechten eingabeport von Score vowpal wabbit Version 8. Konfigurieren Sie die Import Daten für den Zugriff auf die Eingabedaten.

    Die Eingabedaten für die Bewertung müssen im Voraus in einem der unterstützten Formate vorbereitet und in Azure BLOB Storage gespeichert werden.

  6. Wählen Sie die Option Include an extra column containing labels (Eine zusätzliche Spalte mit Bezeichnungen einschließen) aus, wenn Sie Bezeichnungen mit den Bewertungen ausgeben möchten.

    Bei der Verarbeitung von Textdaten setzt Vowpal Wabbit in der Regel keine Bezeichnungen voraus, und es werden nur die Ergebnisse für jede Datenzeile zurückgegeben.

  7. Wählen Sie die Option Include an extra column containing raw scores (Eine zusätzliche Spalte mit Rohergebnissen einschließen) aus, wenn Sie Rohergebnisse mit den Bewertungen ausgeben möchten.

    Tipp

    Diese Option ist neu in der vowpal wabbit-Version 8.

  8. Wählen Sie die Option zwischengespeicherte Ergebnisse verwenden aus, wenn Sie die Ergebnisse einer vorherigen Testlauf wieder verwenden möchten, vorausgesetzt, dass die folgenden Bedingungen erfüllt sind:

    • Ein gültiger Cache ist aus einer vorherigen Testlauf vorhanden.

    • Die Eingabedaten und Parametereinstellungen des Moduls wurden seit der vorherigen Durchführung nicht geändert.

    Andernfalls wird der Import Vorgang jedes Mal wiederholt, wenn das Experiment ausgeführt wird.

  9. Führen Sie das Experiment aus.

Ergebnisse

Nach Abschluss des Trainings:

Die Ausgabe gibt an, dass ein Vorhersageergebnis von 0 bis 1 normalisiert wurde.

Beispiele

Beispiele für die Verwendung von vowpal wabbit in Machine Learning finden Sie in den Azure AI Gallery:

  • Vowpal wabbit-Beispiel

    Dieses Experiment veranschaulicht die Daten Vorbereitung, das Training und die Operationalisierung eines VW-Modells.

Das folgende Video enthält eine exemplarische Vorgehensweise für den Trainings-und Bewertungsprozess für vowpal wabbit:

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

Technische Hinweise

Dieser Abschnitt enthält Implementierungsdetails, Tipps und Antworten auf häufig gestellte Fragen.

Parameter

Vowpal Wabbit verfügt über viele Befehlszeilenoptionen zum Auswählen und Optimieren von Algorithmen. Eine vollständige Erläuterung dieser Optionen ist hier nicht möglich. Sie sollten die Wiki-Seite von Vowpal Wabbit besuchen.

Die folgenden Parameter werden in Azure Machine Learning Studio (klassisch) nicht unterstützt.

  • Die unter https://github.com/JohnLangford/vowpal_wabbit/wiki/Command-line-arguments aufgeführten Eingabe-/Ausgabeoptionen.

    Diese Eigenschaften werden bereits automatisch vom Modul konfiguriert.

  • Außerdem sind alle Optionen, die mehrere Ausgaben generieren oder mehrere Eingaben erfordern, nicht zulässig. Dazu zählen --cbt , --lda und --wap .

  • Nur überwachte Lernalgorithmen werden unterstützt. Dies lässt diese Optionen nicht zu: –active , --rank, --search usw.

Alle anderen Argumente als die oben beschriebenen sind zulässig.

Erwartete Eingaben

Name Typ BESCHREIBUNG
Trainiertes Modell ILearner-Schnittstelle Trainiertes Lernmodul
Dataset Datentabelle Zu bewertendes Dataset

Modulparameter

Name Range type Standard BESCHREIBUNG
Angeben des Datentyps VW

SVMLight
DataType VW Geben Sie an, ob der Dateityp svmlight oder vowpal wabbit ist.
VW arguments any String Keine Eingeben von Vowpal Wabbit-Argumenten. Include-i oder-p oder-t
Einschließen einer zusätzlichen Spalte mit Bezeichnungen. Wahr/falsch Boolean false Angeben, ob die ZIP-Datei zusätzlich zu den Vorhersagen Bezeichnungen aufnehmen soll.
Fügen Sie eine zusätzliche Spalte mit Rohbewertungen ein. Wahr/falsch Boolean false Geben Sie an, ob das Ergebnis zusätzliche Spalten mit den unformatierten Bewertungen enthalten soll (entspricht--raw_predictions).

Ausgaben

Name Typ BESCHREIBUNG
Ergebnisdataset Datentabelle Dataset mit den Vorhersageergebnissen

Ausnahmen

Ausnahme Beschreibung
Fehler 0001 Eine Ausnahme tritt auf, wenn eine oder mehrere angegebene Spalten des Datasets nicht gefunden werden konnten.
Fehler 0003 Eine Ausnahme tritt auf, wenn mindestens eine Eingabe NULL oder leer ist.
Fehler 0004 Eine Ausnahme tritt auf, wenn der Parameter kleiner als oder gleich dem bestimmten Wert ist.
Fehler 0017 Die Ausnahme tritt auf, wenn eine oder mehrere angegebene Spalten einen Typ aufweisen, der im aktuellen Modul nicht unterstützt wird.

Eine Liste der Fehler, die für Studio-Module (klassisch) spezifisch sind, finden Sie unter Machine Learning Fehlercodes.

Eine Liste der API-Ausnahmen finden Sie unter Machine Learning Rest-API-Fehler Codes.

Weitere Informationen

Textanalyse
Feature-Hashvorgang
Erkennung von benannten Entitäten
Ergebnis des vowpal wabbit 7-4-Modells
Trainieren des vowpal wabbit 7-4-Modells
Trainieren von vowpal wabbit 8-Modellen
Modulliste von A bis Z