Machine Learning – Pontszám
Fontos
A (klasszikus) Machine Learning Studio támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy addig térjen át az Azure Machine Learning használatára.
2021. december 1-től kezdve nem fog tudni létrehozni új (klasszikus) Machine Learning Studio-erőforrásokat. 2024. augusztus 31-ig továbbra is használhatja a meglévő (klasszikus) Machine Learning Studio-erőforrásokat.
- További információ a gépi tanulási projektek a ML Studióból a klasszikusból a Azure Machine Learning.
- További információ a Azure Machine Learning.
A (klasszikus) ML Studio dokumentációjának kivezetése folyamatban van, és a jövőben nem várható a frissítése.
Ez a szakasz a Machine Learning Studio (klasszikus) pontozáshoz biztosított moduljait sorolja fel.
Megjegyzés
A következőkre vonatkozik: Machine Learning Studio (klasszikus)
Hasonló húzással használható modulok érhetők el Azure Machine Learning tervezőben.
A pontozást előrejelzésnek is nevezik, és ez az a folyamat, amely egy betanított gépi tanulási modellen alapuló értékeket hoz létre néhány új bemeneti adat alapján. A létrehozott értékek vagy pontszámok jövőbeli értékek előrejelzéseit is jelenthetik, de egy valószínű kategóriát vagy eredményt is jelenthetnek. A pontszám jelentése a megírt adatok típusától és a létrehozott modell típusától függ.
Modellek létrehozása és használata a Machine Learning Studióban (klasszikus)
A gépi tanulás tipikus munkafolyamata a következő fázisokat foglalja magában:
- A megfelelő algoritmus kiválasztása és a kezdeti beállítások megadása.
- A modell betanítása kompatibilis adatok alapján.
- Előrejelzések létrehozása új adatokkal a modell mintái alapján.
- A modell kiértékelését annak megállapításához, hogy az előrejelzések pontosak-e, mennyi hiba van, és van-e túlilledés.
Machine Learning Studio (klasszikus) támogatja a gépi tanulás rugalmas, testreszabható keretrendszerét. A folyamat minden feladatát egy adott típusú modul végzi, amely a kísérlet további része nélkül módosítható, hozzáadható vagy eltávolítható.
Az ebben a szakaszban található modulok pontozási eszközöket tartalmaznak. A gépi tanulás ezen fázisában egy betanított modellt alkalmaz az új adatokra előrejelzések létrehozásához. Ezeket az előrejelzéseket elküldheti egy olyan alkalmazásnak, amely gépi tanulási eredményeket használ, vagy a pontozás eredményei alapján kiértékelheti a modell pontosságát és hasznosságát.
További információ a pontozásról
A pontozást széles körben használják a gépi tanulásban az új értékek létrehozásához egy modell és néhány új bemenet alapján. Az általános "pontszám" kifejezést használjuk az "előrejelzés" helyett, mivel a pontozási folyamat számos különböző típusú értéket generálhat:
- A javasolt elemek listája és a hasonlóság pontszáma.
- Numerikus értékek idősorozat-modellekhez és regressziós modellekhez.
- Valószínűségi érték, amely annak valószínűségét jelzi, hogy egy új bemenet egy meglévő kategóriához tartozik.
- Annak a kategóriának vagy fürtnek a neve, amelyhez az új elem leginkább hasonlít.
- Besorolási modellek előrejelelt osztálya vagy eredménye.
Megjegyzés
Talán hallotta már a pontszám szót is, amely az adatelemzés eredményeként hozzárendelt súlyt vagy értéket jelenti. A Machine Learning Studio (klasszikus) pontozása azonban általában azt a folyamatot jelöli, amikor új adatokból generálunk előrejelezni értékeket.
Amikor hozzáadja ezen modulok valamelyikét a kísérlethez, csatolnia kell egy már betanított gépi tanulási modellt és néhány új adatot. A kísérlet vagy a kiválasztott modul futtatásakor a pontozási modul beemeli az új adatokat, kiszámítja a pontszámokat a modell alapján, és visszaadja a pontszámokat egy táblában.
Pontozáshoz használt adatok
A bemenetként megadott új adatoknak általában ugyanazoknak az oszlopoknak kell tartalmazni, mint a modell betanítása, kivéve a címke vagy az eredmény oszlopát.
A kizárólag azonosítóként használt oszlopok általában ki vannak zárva a modell betanítása során, így pontozáskor is ki kell zárni. Az olyan azonosítók azonban, mint az elsődleges kulcsok, később könnyen újra egyesítve lesznek a pontozási adatkészlettel az Oszlopok hozzáadása modul használatával. Ez a modul anélkül működik, hogy meg kell adnia egy illesztőkulcsot, ha az adatkészlet mérete nem változott.
Mielőtt pontozást végez az adatkészleten, mindig ellenőrizze, hogy vannak-e hiányzó értékek és null értékek. Ha a pontozás bemeneteként használt adatokból hiányoznak értékek, a hiányzó értékek vannak bemenetként használva. Mivel a null értékek propagálva vannak, az eredmény általában hiányzó érték.
Pontozási modulok listája
Machine Learning Studio (klasszikus) számos különböző pontozási modult biztosít. Az Ön által használt modell típusától vagy a pontozási feladat típusától függően választhat egyet:
Átalakítás alkalmazása: Jól meghatározott adatátalakítást alkalmaz egy adatkészleten.
Ezzel a modullal mentett folyamatot alkalmazhat egy adatkészletre.
Adatok hozzárendelése fürtökhöz: Egy meglévő betanított fürtözési modellel rendel hozzá adatokat a fürtökhöz.
Akkor használja ezt a modult, ha új adatokat szeretne fürtbe csoportosítni egy meglévő K-means fürtözési modell alapján.
Ez a modul felváltja a Hozzárendelés fürtökhöz (elavult) modult, amely elavult, de továbbra is használható a meglévő kísérletekben.
Score Matchbox Recommender: Scores predictions for a dataset by using the Matchbox recommender.
Akkor használja ezt a modult, ha javaslatokat szeretne létrehozni, kapcsolódó elemeket vagy felhasználókat szeretne megtalálni, vagy minősítéseket szeretne előrejelezni.
Score Model (Modell pontozása): Betanított besorolási vagy regressziós modell pontszám-előrejelzései.
Ezt a modult minden más regressziós és besorolási modellhez, valamint néhány anomáliadetektálási modellhez használhatja.
Kapcsolódó feladatok
- A Vowpal Wabbithez speciális pontozási modulok is rendelkezésre állnak. Lásd: Text Analytics.
- Az OpenCV-kódtár használatával pontozást kaphat az előre korlátozott modelleken található képek speciális osztálya alapján.
- A Time Series Anomaly Detection (Idősor-anomáliadetektálás) modul olyan pontszámokat hoz létre, amelyek a trendtől való lehetséges eltéréseket ábrázolják.
Példák
Az alábbi példák Azure AI Gallery pontozás folyamatát mutatják be az alapszintűtől a speciális forgatókönyvekig:
Bináris besorolás közvetlen marketing esetén: Bemutatja a pontozás alapvető munkafolyamatát egy olyan helyzetben, ahol az előrejelző érték az ügyfél válasza egy marketingkampányra.
Könyv-értékelések előrejelzése: Szöveges adatok pontozása. Logisztikai regressziós modellt használ.
Tanulás a Counts (Darabszámok) használatával: Bemutatja, hogyan használhat darabszámalapú featurizálást előrejelzésekhez.
Kód nélkül történő kötegelt pontozás Logic Apps és Machine Learning: A betanítás és pontozás végpontok Logic Apps funkcióját Azure App Service.
Az alábbi cikkek valós példákat mutatnak be arra, hogyan használhatók a gépi tanulási modellek pontozáshoz: