Noter un modèle Vowpal Wabbit Version 8

  • Article

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.

La documentation ML Studio (classique) est en cours de retrait et ne sera probablement plus mise à jour.

Évalue les scores des données à l'aide du système d'apprentissage automatique Vowpal Wabbit à partir de l'interface de ligne de commande

catégorie : Analyse de texte

Notes

s’applique à: Machine Learning Studio (classic) uniquement

Des modules par glisser-déposer similaires sont disponibles dans Concepteur Azure Machine Learning.

Vue d’ensemble du module

cet article explique comment utiliser le module Score Vowpal Wabbit Version 8 Model dans Machine Learning Studio (classic) pour générer des scores pour un ensemble de données d’entrée, à l’aide d’un modèle de Wabbit Vowpal formé existant.

Ce module fournit la dernière version de vowpal Wabbit Framework, version 8. Utilisez ce module pour scorer les données à l’aide d’un modèle entraîné enregistré au format VW version 8.

Si vous avez des modèles existants créés à l’aide d’une version antérieure, utilisez les modules suivants :

Comment configurer le score vowpal Wabbit Model 8

  1. Ajoutez le module score vowpal Wabbit version 8 Model à votre expérience.

  2. Ajoutez un modèle Vowpal Wabbit entraîné, et connectez-le au port d’entrée de gauche. Vous pouvez utiliser un modèle formé créé dans la même expérience ou localiser un modèle enregistré dans le volet de navigation gauche du groupe modèles formés du. toutefois, le modèle doit être disponible dans Machine Learning Studio (classic); vous ne pouvez pas charger directement un modèle à partir du stockage Azure.

    Notes

    Seuls les modèles vowpal Wabbit 8 sont pris en charge ; vous ne pouvez pas connecter des modèles enregistrés qui ont été formés à l’aide d’autres algorithmes, et vous ne pouvez pas utiliser les modèles qui ont été formés à l’aide de versions antérieures.

  3. Dans la zone de texte VW arguments (Arguments VW), tapez un ensemble d’arguments de ligne de commande valides pour l’exécutable Vowpal Wabbit.

    pour plus d’informations sur les arguments Vowpal Wabbit pris en charge et non pris en charge dans Machine Learning, consultez la section Notes techniques .

  4. Cliquez sur spécifier le type de données, puis sélectionnez l’un des types de données pris en charge dans la liste.

    Le calcul de score requiert une seule colonne de données compatibles VW.

    si vous avez un fichier existant créé au format SVMLight ou VW, vous pouvez le charger dans l’espace de travail Azure ML en tant que nouveau jeu de données dans l’un des formats suivants : CSV générique sans en-tête, TSV sans en-tête.

    L’option VW nécessite la présence d’une étiquette, mais elle n’est pas utilisée dans les notations, à l’exception de la comparaison.

  5. Ajoutez un module importer des données et connectez-le au port d’entrée de droite du score vowpal Wabbit version 8. Configurez les données d’importation pour accéder aux données d’entrée.

    Les données d’entrée pour la notation doivent avoir été préparées à l’avance dans l’un des formats pris en charge et stockées dans le stockage d’objets BLOB Azure.

  6. Sélectionnez l’option Include an extra column containing labels (Inclure une colonne supplémentaire contenant des étiquettes), si vous souhaitez afficher des étiquettes avec les scores.

    En règle générale, durant le traitement des données de texte, Vowpal Wabbit ne nécessite pas d’étiquettes. Il retourne uniquement les scores pour chaque ligne de données.

  7. Sélectionnez l’option Inclure une colonne supplémentaire contenant des scores bruts si vous souhaitez afficher des scores bruts avec les résultats.

    Conseil

    Cette option est une nouveauté pour vowpal Wabbit version 8.

  8. Sélectionnez l’option utiliser les résultats mis en cachesi vous souhaitez réutiliser les résultats d’une exécution précédente, en supposant que les conditions suivantes sont remplies :

    • Un cache valide existe à partir d’une exécution précédente.

    • Les paramètres des données d’entrée et des paramètres du module n’ont pas été modifiés depuis la dernière exécution.

    Dans le cas contraire, le processus d’importation est répété à chaque exécution de l’expérimentation.

  9. Exécutez l’expérience.

Résultats

Une fois l’apprentissage terminé :

La sortie indique un score de prédiction normalisé allant de 0 à 1.

Exemples

Pour obtenir des exemples de la façon dont vowpal Wabbit peut être utilisé dans Machine Learning, consultez la Azure ai Gallery:

  • Exemple vowpal Wabbit

    Cette expérience illustre la préparation des données, la formation et la mise en œuvre d’un modèle VW.

La vidéo suivante fournit une procédure pas à pas du processus de formation et d’évaluation pour vowpal Wabbit :

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

Notes techniques

Cette section contient des détails, des conseils et des réponses aux questions fréquentes concernant l’implémentation.

Paramètres

Vowpal Wabbit propose de nombreuses options de ligne de commande pour le choix et le réglage des algorithmes. La description complète de ces options n’est pas possible ici. Nous vous recommandons de consulter la page wiki Vowpal Wabbit.

les paramètres suivants ne sont pas pris en charge dans Machine Learning Studio (classic).

  • Les options d’entrée/de sortie spécifiées dans https://github.com/JohnLangford/vowpal_wabbit/wiki/Command-line-arguments

    Ces propriétés sont déjà configurées automatiquement par le module.

  • En outre, toute option qui génère plusieurs sorties ou accepte plusieurs entrées est interdite. Il s’agit notamment de --cbt , --lda et --wap .

  • Seuls les algorithmes de machine learning supervisé sont pris en charge. Les options suivantes ne sont pas autorisées : –active, --rank, --search, etc.

Tous les arguments autres que ceux décrits ci-dessus sont autorisés.

Entrées attendues

Nom Type Description
Modèle entraîné Interface ILearner Apprenant formé
Dataset Table de données Jeu de données à noter

Paramètres du module

Nom Plage Type Default Description
Spécifiez le type de données VW

SVMLight		 DataType VW Indiquez si le type de fichier est SVMLight ou vowpal Wabbit
Arguments VW n'importe laquelle String aucun Tapez les arguments Vowpal Wabbit. N’incluez pas-i ou-p, ou-t
Inclure une colonne supplémentaire contenant des étiquettes Vrai/Faux Booléen false Indiquer si le fichier compressé doit inclure les étiquettes avec les prédictions
Inclure une colonne supplémentaire contenant des scores bruts Vrai/Faux Booléen false Spécifiez si le résultat doit inclure des colonnes supplémentaires contenant les scores bruts (correspondant à--raw_predictions)

Sorties

Nom Type Description
Jeu de données de résultats Table de données Jeu de données avec les résultats de prédiction

Exceptions

Exception Description
Erreur 0001 Une exception se produit si une ou plusieurs colonnes spécifiées du jeu de données sont introuvables.
Erreur 0003 Cette exception se produit si une ou plusieurs entrées sont null ou vide.
Erreur 0004 Une exception se produit si le paramètre est inférieur ou égal à une valeur spécifique.
Erreur 0017 Une exception se produit si une ou plusieurs colonnes spécifiées présentent un type non pris en charge par le module actuel.

pour obtenir la liste des erreurs spécifiques aux modules Studio (classiques), consultez Machine Learning codes d’erreur.

pour obtenir la liste des exceptions d’api, consultez Machine Learning les Codes d’erreur de l' api REST.

Voir aussi

Analyse de texte
Hachage des caractéristiques
Reconnaissance d’entité nommée
Scorer le modèle Vowpal Wabbit 7-4
Entraîner le modèle Vowpal Wabbit 7-4
Entraîner le modèle Vowpal Wabbit 8
Liste alphabétique des modules