Score Vowpal Wabbit Version 8 Model (puntuar un modelo de Vowpal Wabbit versión 8)

Puntúa datos mediante el sistema de aprendizaje automático de Vowpal Wabbit desde la interfaz de la línea de comandos

Categoría: Text Analytics

Nota

Se aplica a: machine learning Studio (clásico)

Este contenido solo pertenece a Studio (clásico). Se han agregado módulos similares de arrastrar y colocar al diseñador de Azure Machine Learning. Obtenga más información en este artículo comparativa de las dos versiones.

Información general sobre el módulo

En este artículo se describe cómo usar el módulo puntuar Vowpal Wabbit versión 8 modelo en Azure machine learning Studio (clásico), para generar puntuaciones para un conjunto de datos de entrada, mediante un modelo de Vowpal Wabbit entrenado existente.

Este módulo proporciona la versión más reciente de Vowpal Wabbit Framework, versión 8. Use este módulo para puntuar los datos mediante un modelo entrenado guardado con el formato VW, versión 8.

Si ya tiene modelos creados con una versión anterior, use estos módulos:

Cómo configurar la puntuación Vowpal Wabbit modelo 8

  1. Agregue el módulo score Vowpal Wabbit versión 8 Model al experimento.

  2. Agregue un modelo de Vowpal Wabbit entrenado y conéctelo al puerto de entrada de la izquierda. Puede usar un modelo entrenado creado en el mismo experimento o buscar un modelo guardado en el panel de navegación izquierdo del grupo de modelos entrenados (clásico). Sin embargo, el modelo debe estar disponible en Azure Machine Learning Studio (clásico); no se puede cargar directamente un modelo desde Azure Storage.

    Nota

    Solo se admiten los modelos Vowpal Wabbit 8; no se pueden conectar modelos guardados que se entrenaron mediante otros algoritmos y no se pueden utilizar modelos entrenados con versiones anteriores.

  3. En el cuadro de texto Argumentos de VW, escriba un conjunto de argumentos válidos de la línea de comandos para el ejecutable de Vowpal Wabbit.

    Para información sobre cuáles son los argumentos de Vowpal Wabbit compatibles y no compatibles con Azure Machine Learning, consulte la sección Notas técnicas.

  4. Haga clic en especificar tipo de datos y seleccione uno de los tipos de datos admitidos de la lista.

    La puntuación requiere una única columna de datos compatibles con VW.

    Si tiene un archivo existente creado en los formatos SVMLight o VW, puede cargarlo en el área de trabajo de aprendizaje automático de Azure como un nuevo conjunto de elementos en uno de estos formatos: CSV genérico sin encabezado, TSV sin encabezado.

    La opción VW requiere que haya una etiqueta, pero no se usa en la puntuación, salvo para la comparación.

  5. Agregue un módulo importar datos y conéctelo al puerto de entrada derecho de score Vowpal Wabbit versión 8. Configure los datos de importación para tener acceso a los datos de entrada.

    Los datos de entrada para la puntuación deben haberse preparado con anterioridad en uno de los formatos admitidos y almacenarse en el almacenamiento de blobs de Azure.

  6. Seleccione la opción Incluir una columna adicional que contiene etiquetas si quiere generar etiquetas junto con las puntuaciones.

    Por lo general, cuando se administran datos de texto, Vowpal Wabbit no requiere etiquetas y solo devolverá las puntuaciones para cada fila de datos.

  7. Seleccione la opción Incluir una columna adicional que contiene puntuaciones sin formato si quiere generar puntuaciones sin formato junto con los resultados.

    Sugerencia

    Esta opción es nueva para Vowpal Wabbit versión 8.

  8. Seleccione la opción usar resultados almacenados en caché si desea volver a usar los resultados de una ejecución anterior, suponiendo que se cumplan las siguientes condiciones:

    • Existe una caché válida de una ejecución anterior.

    • La configuración de los parámetros y los datos de entrada del módulo no ha cambiado desde la ejecución anterior.

    De lo contrario, el proceso de importación se repite cada vez que se ejecuta el experimento.

  9. Ejecute el experimento.

Results

Una vez completado el entrenamiento:

La salida indica una puntuación de predicción normalizada de 0 a 1.

Ejemplos

Para obtener ejemplos de cómo se puede usar Vowpal Wabbit en el aprendizaje automático, consulte la Azure AI Gallery:

  • Ejemplo de Vowpal Wabbit

    Este experimento muestra la preparación, el entrenamiento y la operacionalización de los datos de un modelo VW.

El vídeo siguiente proporciona un tutorial del proceso de aprendizaje y puntuación para Vowpal Wabbit:

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

Notas técnicas

Esta sección contiene detalles de implementación, sugerencias y respuestas a las preguntas más frecuentes.

Parámetros

Vowpal Wabbit tiene muchas opciones de la línea de comandos para elegir y ajustar algoritmos. Aquí no se puede obtener una descripción completa de estas opciones. Se recomienda consultar la página wiki de Vowpal Wabbit.

Los parámetros siguientes no se admiten en Azure Machine Learning Studio (clásico).

  • Las opciones de entrada/salida especificadas en https://github.com/JohnLangford/vowpal_wabbit/wiki/Command-line-arguments

    El módulo ya configura automáticamente estas propiedades.

  • Tampoco se permite ninguna opción que genere o acepte varias salidas. Estas incluyen --cbt , --lda y --wap .

  • Solo se admiten algoritmos de aprendizaje supervisado. Esto no permite estas opciones: –active , --rank, --search , etc.

Se permiten todos los argumentos distintos de los descritos anteriormente.

Entradas esperadas

Nombre Tipo Descripción
Modelo entrenado Interfaz ILearner Aprendiz entrenado
Dataset Tabla de datos Conjunto de datos que se desea puntuar

Parámetros del módulo

Nombre Intervalo Tipo Valor predeterminado Descripción
Especificar el tipo de datos VW

SVMLight
DataType VW Indicar si el tipo de archivo es SVMLight o Vowpal Wabbit
Argumentos de VW cualquiera String ninguno Escriba los argumentos de Vowpal Wabbit. No incluir-i o-p o-t
Incluir una columna adicional que contiene etiquetas Verdadero/Falso Boolean false Especificar si el archivo comprimido debe incluir etiquetas con las predicciones
Incluir una columna adicional que contenga puntuaciones sin formato Verdadero/Falso Boolean false Especifique si el resultado debe incluir otras columnas que contengan las puntuaciones sin formato (que corresponden a--raw_predictions)

Salidas

Nombre Tipo Descripción
Conjunto de datos de resultados Tabla de datos Conjunto de datos con los resultados de la predicción

Excepciones

Excepción Descripción
Error 0001 Se produce una excepción si no se encontraron una o más columnas especificadas del conjunto de datos.
Error 0003 Se produce una excepción si una o varias de las entradas son NULL o están vacías.
Error 0004 Se produce una excepción si el parámetro es menor o igual que el valor especificado.
Error 0017 Se produce una excepción si una o varias columnas especificadas tienen un tipo no compatible con el módulo actual.

Para obtener una lista de los errores específicos de los módulos de Studio (clásico), consulte Machine Learning de los códigos de error.

Para obtener una lista de excepciones de API, consulte códigos de error de la API de REST de machine learning.

Vea también

Text Analytics
Hash de características
Reconocimiento de entidades con nombre
Puntuar Vowpal Wabbit modelo 7-4
Entrenar modelo de Vowpal Wabbit 7-4
Entrenar modelo Vowpal Wabbit 8
Lista de módulos A-Z