Score de Machine Learning
Important
Le support de Machine Learning Studio (classique) prend fin le 31 août 2024. Nous vous recommandons de passer à Azure Machine Learning avant cette date.
À partir du 1er décembre 2021, vous ne pourrez plus créer de nouvelles ressources Machine Learning Studio (classique). Jusqu’au 31 août 2024, vous pouvez continuer à utiliser les ressources Machine Learning Studio (classique) existantes.
- Consultez les informations sur le déplacement des projets de machine learning de ML Studio (classique) à Azure Machine Learning.
- En savoir plus sur Azure Machine Learning.
La documentation ML Studio (classique) est en cours de retrait et ne sera probablement plus mise à jour.
cette section répertorie les modules fournis dans Machine Learning Studio (classic) pour la notation.
Notes
s’applique à: Machine Learning Studio (classic) uniquement
Des modules par glisser-déposer similaires sont disponibles dans Concepteur Azure Machine Learning.
La notation est également appelée prédiction et est le processus de génération de valeurs basées sur un modèle de Machine Learning formé, en fonction de nouvelles données d’entrée. Les valeurs ou scores créés peuvent représenter des prédictions de valeurs futures, mais elles peuvent également représenter une catégorie ou un résultat probable. La signification du score dépend du type de données que vous fournissez et du type de modèle que vous avez créé.
créer et utiliser des modèles dans Machine Learning Studio (classic)
Le flux de travail classique pour Machine Learning comprend les phases suivantes :
- Choix d’un algorithme approprié et définition des options initiales.
- Apprentissage du modèle sur les données compatibles.
- Création de prédictions à l’aide de nouvelles données, en fonction des modèles du modèle.
- Évaluation du modèle pour déterminer si les prédictions sont exactes, le nombre d’erreurs, et s’il existe un surajustement.
Machine Learning Studio (classic) prend en charge un framework flexible et personnalisable pour les Machine Learning. Chaque tâche de ce processus est effectuée par un type spécifique de module, qui peut être modifié, ajouté ou supprimé, sans interrompre le reste de votre expérience.
Les modules de cette section incluent des outils pour la notation. Dans cette phase de Machine Learning, vous appliquez un modèle formé aux nouvelles données pour générer des prédictions. Vous pouvez soit envoyer ces prédictions à une application qui consomme Machine Learning résultats, soit utiliser les résultats de notation pour évaluer la précision et l’utilité du modèle.
En savoir plus sur le calcul de score
Le calcul de score est largement utilisé dans Machine Learning pour signifier le processus de génération de nouvelles valeurs, en fonction d’un modèle et de nouvelles entrées. Le terme générique « score » est utilisé, plutôt que « prédiction », car le processus de calcul de score peut générer un grand nombre de types de valeurs différents :
- Liste des éléments recommandés et un score de similarité.
- Valeurs numériques, pour les modèles de série chronologique et les modèles de régression.
- Valeur de probabilité indiquant la probabilité qu’une nouvelle entrée appartienne à une catégorie existante.
- Nom d’une catégorie ou d’un cluster auquel un nouvel élément est le plus similaire.
- Classe ou résultat prédit, pour les modèles de classification.
Notes
Vous avez peut-être également entendu dire le mot score utilisé pour signifier un poids ou une valeur affectée suite à l’analyse de données. toutefois, dans Machine Learning Studio (classique), le calcul de score indique généralement le processus de génération de valeurs prédites à partir de nouvelles données.
Lorsque vous ajoutez l’un de ces modules dans votre expérience, vous devez joindre un modèle de Machine Learning déjà formé, ainsi que de nouvelles données. Lorsque vous exécutez l’expérimentation ou le module sélectionné, le module de notation ingère les nouvelles données, calcule les scores en fonction du modèle et retourne les scores dans une table.
Données utilisées pour le calcul des scores
Les nouvelles données que vous fournissez en tant qu’entrée doivent généralement avoir les mêmes colonnes que celles utilisées pour l’apprentissage du modèle, moins l’étiquette ou la colonne de résultat.
Les colonnes utilisées uniquement comme identificateurs sont généralement exclues lors de l’apprentissage d’un modèle, et doivent donc être exclues lors de la notation. Toutefois, les identificateurs tels que les clés primaires peuvent facilement être recombinés avec le jeu de données de notation ultérieurement, à l’aide du module Ajouter des colonnes . Ce module fonctionne sans que vous ayez à spécifier une clé de jointure, tant que la taille du jeu de données n’a pas changé.
Avant d’effectuer un calcul de score sur votre jeu de données, recherchez toujours les valeurs manquantes et les valeurs NULL. Lorsque les données utilisées comme entrées pour le calcul de score ont des valeurs manquantes, les valeurs manquantes sont utilisées comme entrées. Étant donné que les valeurs NULL sont propagées, le résultat est généralement une valeur manquante.
Liste des modules de score
Machine Learning Studio (classic) fournit de nombreux modules de score différents. Vous en sélectionnez un selon le type de modèle que vous utilisez ou le type de tâche de notation que vous effectuez :
Appliquer la transformation: applique une transformation de données bien spécifiée à un DataSet.
Utilisez ce module pour appliquer un processus enregistré à un jeu de données.
Affecter des données à des clusters: affecte des données à des clusters à l’aide d’un modèle de clustering formé existant.
Utilisez ce module si vous souhaitez regrouper de nouvelles données en fonction d’un modèle de clustering K-signifiant existant.
Ce module remplace le module attribuer à des clusters (déconseillé), qui est déconseillé, mais qui est toujours disponible pour une utilisation dans des expériences existantes.
Score Matchbox recommender: évalue les prédictions pour un jeu de données à l’aide du conseiller Matchbox.
Utilisez ce module si vous souhaitez générer des recommandations, Rechercher des éléments ou des utilisateurs associés ou prédire des évaluations.
Noter le modèle: évalue les prédictions pour un modèle de classification ou de régression formé.
Utilisez ce module pour tous les autres modèles de régression et de classification, ainsi que pour certains modèles de détection d’anomalie.
Tâches associées
- Des modules de score spéciaux sont fournis pour vowpal Wabbit. consultez Analyse de texte.
- Vous pouvez noter des classes spéciales d’images sur des modèles préformés à l’aide de la bibliothèque OpenCV.
- Le module de détection d’anomalie de série chronologique génère des scores qui représentent des écarts potentiels d’une tendance.
Exemples
Ces exemples dans le Azure ai Gallery illustrent le processus de notation, des scénarios de base aux scénarios avancés :
Classification binaire pour le marketing direct: présente le flux de travail de base pour le calcul de score, dans un scénario où la valeur prédite est la réponse du client à une campagne marketing.
Prédiction des révisions de livres: notation sur les données texte. Utilise un modèle de régression logistique.
Learning aveccounts : montre comment utiliser des caractérisation basés sur le nombre pour effectuer des prédictions.
la notation par lot sans code avec Logic Apps et Machine Learning: illustre le processus de bout en bout de formation et de notation, automatisé avec la fonctionnalité Logic Apps de Azure App Service.
Les articles suivants fournissent des exemples concrets de la façon dont vous pouvez utiliser un modèle de Machine Learning pour la notation :