Vowpal Wabbit 7-4-es verziójú modell pontozása

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.

A Vowpal Wabbit gépi tanulási rendszer parancssori felületéről pontokat ad az adatoknak

Kategória: Text Analytics

Megjegyzés

A következőkre vonatkozik: Machine Learning Studio (klasszikus)

Hasonló húzással használható modulok érhetők el Azure Machine Learning tervezőben.

A modul áttekintése

Ez a cikk azt ismerteti, hogyan használható a Vowpal Wabbit 7-4-es verziójú modell pontozása modul a Machine Learning Studióban (klasszikus) egy bemeneti adathalmaz pontszámainak létrehozásához egy meglévő betanított Vowpal Wabbit modell használatával.

Ez a modul a Vowpal Wabbit keretrendszer 7-4-es verziójával való kompatibilitást biztosítja. Ezt a modult csak akkor használja, ha pontozást kell használnia egy 7–4 formátumban mentett betanított modellel.

Új VW modell létrehozásához a legújabb verzió használatát javasoljuk:

• Vowpal Wabbit 8 modell betanítás
• Vowpal Wabbit 8 modell pontozása

A Vowpal Wabbit 7-4-es verziójú modell pontozásának konfigurálása

1. Adja hozzá kísérletéhez a Vowpal Wabbit 7-4-es verziójú modell pontozása modult.

2. Adjon hozzá egy betanított Vowpal Wabbit modellt, és csatlakoztassa a bal oldali bemeneti porthoz. Használhat egy ugyanabban a kísérletben létrehozott betanított modellt, vagy megkereshet egy mentett modellt a Studio (klasszikus) Betanított modellek csoportjában a bal oldali navigációs panelen.

   Korlátozások

   A modellnek elérhetőnek kell lennie a Machine Learning Studióban (klasszikus); nem lehet közvetlenül betölteni a modellt az Azure Storage-ból.

   Csak a Vowpal Wabbit 7-4 modellek támogatottak; nem csatlakoztathat más algoritmusokkal betanított mentett modelleket, és nem használhat újabb verziók használatával betanított modelleket.

3. A VW-argumentumok szövegmezőbe írjon be egy érvényes parancssori argumentumkészletet a Vowpal Wabbit végrehajtható fájlhoz.

   Arról, hogy mely Vowpal Wabbit argumentumok támogatottak a Machine Learning, tekintse meg a Műszaki megjegyzések szakaszt.

4. Kattintson az Adattípus megadása elemre, és válassza ki a támogatott adattípusok valamelyikét a listából.

   A pontozáshoz egyetlen oszlopra van szükség a VW-kompatibilis adatokból.

   Ha van egy SVMLight vagy VW formátumban létrehozott meglévő fájlja, betöltheti azt az Azure ML-munkaterületre új adatkészletként a következő formátumok egyikében: Általános CSV fejléc nélkül, TSV fejléc nélkül.

   A VW beállításhoz szükség van egy címkére, de nem használható pontozáshoz, csak összehasonlításhoz.

5. Adjon hozzá egy Adatok importálása modult, és csatlakoztassa a Vowpal Wabbit 7-4-es verziójának jobb oldali bemeneti portjához. Konfigurálja az Adatok importálása modult a bemeneti adatok eléréséhez.

   A pontozáshoz használt bemeneti adatokat előre elő kell készíteni az egyik támogatott formátumban, és az Azure Blob Storage-ban kell tárolni.

6. Válassza a Címkéket tartalmazó további oszlop hozzáadása lehetőséget, ha a címkéket a pontszámokkal együtt szeretné kimenetbe foglalni.

   Szöveges adatok kezelésekor a Vowpal Wabbit általában nem igényel címkéket, és csak az egyes adatsorok pontszámait adja vissza.

7. Válassza a Gyorsítótárazott eredmények használata lehetőséget, ha egy korábbi futtatás eredményeit szeretné újra használni, feltéve, hogy teljesülnek a következő feltételek:

   • Érvényes gyorsítótár létezik egy korábbi futtatásból.

   • A modul bemeneti adatai és paraméterbeállítása nem változott az előző futtatás óta.

   Ellenkező esetben az importálási folyamat a kísérlet minden futtatásakor megismétlődik.

8. Futtassa a kísérletet.

Results (Eredmények)

A betanítás befejezése után:

• Az eredmények megjelenítéséhez kattintson a jobb gombbal a Score Vowpal Wabbit Version 7-4 Model (7-4-es modell pontozása) modul kimenetére .

A kimenet egy 0 és 1 között normalizált előrejelzési pontszámot jelez.

Példák

A Vowpal Wabbit gépi tanulásban való használatára vonatkozó példákért lásd a Azure AI Gallery:

• Vowpal Wabbit minta

  Ez a kísérlet egy VW-modell adatelőkészítését, betanítását és működőképesítését mutatja be.

Az alábbi videó a Vowpal Wabbit betanítási és pontozási folyamatának bemutatóját tartalmazza:

• Szövegelemzés és Vowpal Wabbit az Azure ML Studióban (klasszikus)/

Technikai megjegyzések

Ez a szakasz az implementáció részleteit, tippeket és válaszokat tartalmazza a gyakori kérdésekre.

Támogatott és nem támogatott paraméterek

A Vowpal Wabbit számos parancssori lehetőséget kínál az algoritmusok kiválasztására és finomhangolására. Ezeket a lehetőségeket itt nem lehet teljes körűen megvitatni; Javasoljuk, hogy tekintse meg a Vowpal Wabbit wikioldalt.

A következő paraméterek nem támogatottak a Machine Learning Studióban (klasszikus).

• A következőben megadott bemeneti/kimeneti beállítások: https://github.com/JohnLangford/vowpal_wabbit/wiki/Command-line-arguments

  Ezeket a tulajdonságokat a modul már automatikusan konfigurálja.

• Emellett nem engedélyezett minden olyan beállítás, amely több kimenetet hoz létre, vagy több bemenetet vesz fel. Ezek közé tartozik a --cbt, --ldaa és --wapa .

• Csak a felügyelt tanulási algoritmusok támogatottak. Ez nem teszi elérhetőre ezeket a lehetőségeket: –active, --rank, --search stb.

A fent leírtakon kívül minden argumentum engedélyezett.

Várt bemenetek

Név	Típus	Description
Betanított modell	ILearner interfész	Betanított tanuló
Adathalmaz	Adattábla	Pontozásra szükséges adatkészlet

Modulparaméterek

Name	Tartomány	Típus	Alapértelmezett	Description
VW argumentumok	Bármelyik	Sztring		Írja be a Vowpal Wabbit argumentumokat. A következő argumentumok nem támogatottak: - -i - -p vagy - -t
Címkéket tartalmazó további oszlop hozzáadása	Bármelyik	Logikai	hamis	Adja meg, hogy a tömörített fájl tartalmaz-e címkéket az előrejelzésekhez
Adattípus megadása	VW SVMLight	DataType	VW	Annak jelzése, hogy a fájlformátum SVMLight vagy Vowpal Wabbit

Kimenetek

Név	Típus	Description
Eredményadatkészlet	Adattábla	Adatkészlet az előrejelzési eredményekkel

Kivételek

Kivétel	Description
0001-es hiba	Kivétel akkor fordul elő, ha az adatkészlet egy vagy több megadott oszlopa nem található.
0003-as hiba	Kivétel akkor fordul elő, ha egy vagy több bemenet null vagy üres.
0004-es hiba	Kivétel akkor fordul elő, ha a paraméter kisebb vagy egyenlő egy adott értékkel.
0017-es hiba	Kivétel akkor fordul elő, ha egy vagy több megadott oszlop típusa az aktuális modul által nem támogatott.

A Studio (klasszikus) moduljaival kapcsolatos hibák listájáért tekintse meg a Machine Learning hibakódokat.

Az API-kivételek listáját a hibakódok Machine Learning REST API.

Lásd még

Text Analytics
Funkciókivonatolás
Megnevezett entitások felismerése
Vowpal Wabbit Pontszám
Vowpal Wabbit 7-4 modell betanítás
Vowpal Wabbit 7-10 modell betanítás
A-Z modullista