Condividi tramite

Punteggio vowpal wabbit versione 8 modello

  • Articolo

Importante

Il supporto dello studio di Azure Machine Learning (versione classica) terminerà il 31 agosto 2024. È consigliabile passare ad Azure Machine Learning entro tale data.

A partire dal 1° dicembre 2021 non sarà possibile creare nuove risorse dello studio di Azure Machine Learning (versione classica). Fino al 31 agosto 2024 sarà possibile continuare a usare le risorse dello studio di Azure Machine Learning (versione classica).

La documentazione relativa allo studio di Machine Learning (versione classica) è in fase di ritiro e potrebbe non essere aggiornata in futuro.

Assegna un punteggio ai dati tramite il sistema di Machine Learning Vowpal Wabbit dall'interfaccia della riga di comando

Categoria: Analisi del testo

Nota

Si applica a: Machine Learning Studio (versione classica)

Moduli di trascinamento della selezione simili sono disponibili nella finestra Azure Machine Learning progettazione.

Panoramica del modulo

Questo articolo descrive come usare il modulo Score Vowpal Wabbit Versione 8 Model in Machine Learning Studio (versione classica) per generare punteggi per un set di dati di input usando un modello Wabbit Vowpal con training esistente.

Questo modulo fornisce la versione più recente del framework Vowpal Wabbit, versione 8. Usare questo modulo per segnare i dati usando un modello con training salvato nel formato VW versione 8.

Se sono stati creati modelli esistenti con una versione precedente, usare questi moduli:

Come configurare Score Vowpal Wabbit Model 8

  1. Aggiungere il modulo Score Vowpal Wabbit Version 8 Model all'esperimento.

  2. Aggiungere un modello Vowpal Wabbit con training e connetterlo alla porta di input a sinistra. È possibile usare un modello con training creato nello stesso esperimento o individuare un modello salvato nel gruppo Modelli con training del riquadro di spostamento sinistro di Studio (versione classica). Tuttavia, il modello deve essere disponibile in Machine Learning Studio (versione classica). Non è possibile caricare direttamente un modello da Archiviazione di Azure.

    Nota

    Sono supportati solo i modelli Vowpal Wabbit 8. non è possibile connettere modelli salvati di cui è stato creato il training usando altri algoritmi e non è possibile usare modelli con training con versioni precedenti.

  3. Nella casella di testo Argomenti VW digitare un set di argomenti della riga di comando validi per l'eseguibile Vowpal Wabbit.

    Per informazioni sugli argomenti di Vowpal Wabbit supportati e non supportati in Machine Learning, vedere la sezione Note tecniche.

  4. Fare clic su Specifica tipo di dati e selezionare uno dei tipi di dati supportati dall'elenco.

    L'assegnazione dei punteggi richiede una singola colonna di dati compatibili con VW.

    Se si dispone di un file esistente creato nei formati SVMLight o VW, è possibile caricarlo nell'area di lavoro di Azure ML come nuovo set di dati in uno di questi formati: CSV generico senza intestazione, TSV senza intestazione.

    L'opzione VW richiede che sia presente un'etichetta, ma non viene usata per l'assegnazione dei punteggi, ad eccezione del confronto.

  5. Aggiungere un modulo Import Data (Importa dati) e connetterlo alla porta di input di destra di Score Vowpal Wabbit versione 8. Configurare Import Data (Importa dati) per accedere ai dati di input.

    I dati di input per l'assegnazione dei punteggi devono essere stati preparati in anticipo in uno dei formati supportati e archiviati nell'archivio BLOB di Azure.

  6. Selezionare l'opzione Includi una colonna aggiuntiva contenente etichette, se si desidera visualizzare le etichette insieme ai punteggi.

    In genere, quando si gestisce i dati di testo, Vowpal Wabbit non richiede etichette e restituisce solo i punteggi per ogni riga di dati.

  7. Selezionare l'opzione Includi una colonna aggiuntiva contenente punteggi non elaborati, se si vuole ottenere punteggi non elaborati insieme ai risultati.

    Suggerimento

    Questa opzione è nuova per Vowpal Wabbit versione 8.

  8. Selezionare l'opzione Usa risultati memorizzati nella cache se si vogliono usare di nuovo i risultati di un'esecuzione precedente, presupponendo che siano soddisfatte le condizioni seguenti:

    • Una cache valida esiste da un'esecuzione precedente.

    • Le impostazioni dei parametri e dei dati di input del modulo non sono state modificate dopo l'esecuzione precedente.

    In caso contrario, il processo di importazione viene ripetuto ogni volta che viene eseguito l'esperimento.

  9. Eseguire l'esperimento.

Risultati

Al termine del training:

L'output indica un punteggio di stima normalizzato da 0 a 1.

Esempio

Per esempi di come è possibile usare Vowpal Wabbit in Machine Learning, vedere l'Azure AI Gallery:

  • Esempio di Vowpal Wabbit

    Questo esperimento illustra la preparazione, il training e l'operatività dei dati di un modello VW.

Il video seguente fornisce una procedura dettagliata del processo di training e assegnazione dei punteggi per Vowpal Wabbit:

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

Note tecniche

Questa sezione contiene informazioni dettagliate sull'implementazione, suggerimenti e risposte alle domande frequenti.

Parametri

Vowpal Wabbit include molte opzioni della riga di comando per la scelta e l'ottimizzazione degli algoritmi. Una discussione completa di queste opzioni non è possibile qui. è consigliabile visualizzare la pagina wiki di Vowpal Wabbit.

I parametri seguenti non sono supportati in Machine Learning Studio (versione classica).

  • Opzioni di input/output specificate in https://github.com/JohnLangford/vowpal_wabbit/wiki/Command-line-arguments

    Queste proprietà sono già configurate automaticamente dal modulo.

  • Inoltre, qualsiasi opzione che genera più output o accetta più input non è consentita. tra cui --cbt, --ldae --wap.

  • Sono supportati solo algoritmi di apprendimento con supervisione. Ciò non consente queste opzioni: –active, --ranke --search così via.

Sono consentiti tutti gli argomenti diversi da quelli descritti in precedenza.

Input previsti

Nome Tipo Descrizione
Trained model ILearner interface Strumento di apprendimento con training
Set di dati Tabella dati Set di dati da classificare

Parametri del modulo

Nome Intervallo Type Predefinito Descrizione
Specify data type VW

SVMLight		 DataType VW Indicare se il tipo di file è SVMLight o Vowpal Wabbit
Argomenti VW any string Nessuno Digitare argomenti di Vowpal Wabbit. Non includere -i o -p o -t
Include an extra column containing labels Vero/Falso Boolean false Specificare se il file compresso deve includere etichette con le stime
Includere una colonna aggiuntiva contenente punteggi non elaborati Vero/Falso Boolean false Specificare se il risultato deve includere colonne aggiuntive contenenti i punteggi non elaborati (corrispondenti a --raw_predictions)

Output

Nome Tipo Descrizione
Set di dati di risultati Tabella dati Set di dati con i risultati della stima

Eccezioni

Eccezione Descrizione
Errore 0001 L'eccezione si verifica se non è possibile trovare una o più colonne specificate del set di dati.
Errore 0003 L'eccezione si verifica se uno o più input sono null o vuoti.
Errore 0004 L'eccezione si verifica se un parametro è inferiore o uguale a un valore specifico.
Errore 0017 Si verifica un'eccezione se il tipo di una o più colonne specificate non è supportato dal modulo attuale.

Per un elenco di errori specifici dei moduli di Studio (versione classica), vedere l'Machine Learning codici di errore.

Per un elenco delle eccezioni API, vedere l'Machine Learning di errore dell'API REST.

Vedi anche

Analisi del testo
Hashing di funzioni
Riconoscimento di entità denominate
Score Vowpal Wabbit 7-4 Model
Training del modello Vowpal Wabbit 7-4
Training del modello Vowpal Wabbit 8
Elenco moduli A-Z