Score Vowpal Wabbit versie 8-model

Scoort gegevens met behulp van het Vowpal Wabbit machine learning-systeem via de opdracht regel interface

Categorie: Text Analytics

Notitie

Van toepassing op : machine learning Studio (klassiek)

Deze inhoud is alleen van toepassing op Studio (klassiek). Er zijn Vergelijk bare modules voor slepen en neerzetten toegevoegd aan Azure Machine Learning Designer. In dit artikel vindt u meer informatie over de twee versies.

Module overzicht

In dit artikel wordt beschreven hoe u de model module Score Vowpal Wabbit versie 8 in azure machine learning Studio (klassiek) gebruikt om scores voor een set met invoer gegevens te genereren met behulp van een bestaand getraind Vowpal Wabbit-model.

Deze module biedt de meest recente versie van Vowpal Wabbit Framework, versie 8. Gebruik deze module om gegevens te scoren met behulp van een getraind model dat is opgeslagen in de VW-versie 8-indeling.

Als u bestaande modellen hebt gemaakt met een eerdere versie, gebruikt u deze modules:

Score Vowpal Wabbit model 8 configureren

  1. Voeg de model module Score Vowpal Wabbit versie 8 toe aan uw experiment.

  2. Voeg een getraind Vowpal Wabbit-model toe en sluit het aan op de linker-invoer poort. U kunt een getraind model gebruiken dat is gemaakt in hetzelfde experiment of een opgeslagen model zoeken in de groep getrainde modellen van Studio (klassiek) in het navigatie deel venster. Het model moet echter wel beschikbaar zijn in Azure Machine Learning Studio (klassiek); u kunt een model niet rechtstreeks laden vanuit Azure Storage.

    Notitie

    Alleen Vowpal Wabbit 8-modellen worden ondersteund; u kunt geen opgeslagen modellen koppelen die zijn getraind met behulp van andere algoritmen, en u kunt geen modellen gebruiken die zijn getraind met eerdere versies.

  3. In het tekstvak VW argumenten typt u een aantal geldige opdracht regel argumenten voor het uitvoer bare bestand Vowpal Wabbit.

    Zie de sectie technische opmerkingen voor informatie over welke Vowpal Wabbit-argumenten worden ondersteund en niet worden ondersteund in azure machine learning.

  4. Klik op gegevens type opgevenen selecteer een van de ondersteunde gegevens typen in de lijst.

    Voor scores is één kolom met VW-compatibele gegevens vereist.

    Als u een bestaand bestand hebt dat is gemaakt in de SVMLight-of VW-indeling, kunt u het laden in de Azure ML-werk ruimte als een nieuwe gegevensset in een van de volgende indelingen: generic CSV zonder header, TSV zonder koptekst.

    Voor de optie VW moet een label aanwezig zijn, maar dit wordt niet gebruikt in een score, behalve voor vergelijking.

  5. Voeg een import gegevens module toe en verbind deze met de rechter-invoer poort van Score Vowpal Wabbit versie 8. De import gegevens configureren voor toegang tot de invoer gegevens.

    De invoer gegevens voor de Score moeten vooraf zijn voor bereid in een van de ondersteunde indelingen en zijn opgeslagen in Azure Blob Storage.

  6. Selecteer de optie, Voeg een extra kolom met labelstoe als u labels samen met de scores wilt uitvoeren.

    In het geval van het afhandelen van tekst gegevens is er meestal geen labels vereist voor Vowpal Wabbit en worden alleen de scores voor elke rij gegevens geretourneerd.

  7. Selecteer de optie, Voeg een extra kolom met onbewerkte scorestoe als u onbewerkte scores wilt uitvoeren met de resultaten.

    Tip

    Deze optie is nieuw voor Vowpal Wabbit versie 8.

  8. Selecteer de optie, gebruik in cachegeplaatste resultaten als u de resultaten van een vorige uitvoering opnieuw wilt gebruiken, mits aan de volgende voor waarden wordt voldaan:

    • Er bestaat al een geldige cache van een vorige uitvoering.

    • De instellingen voor invoer gegevens en-para meters van de module zijn niet gewijzigd sinds de vorige uitvoering.

    Anders wordt het import proces telkens herhaald wanneer het experiment wordt uitgevoerd.

  9. Voer het experiment uit.

Resultaten

Nadat de training is voltooid:

De uitvoer duidt op een Voorspellings Score die is genormaliseerd van 0 tot 1.

Voorbeelden

Voor voor beelden van de manier waarop Vowpal Wabbit in machine learning kan worden gebruikt, raadpleegt u de Azure AI Gallery:

  • Vowpal Wabbit-voor beeld

    In dit experiment worden gegevens voorbereiding, training en uitoefening van een VW-model gedemonstreerd.

De volgende video biedt een overzicht van het trainings-en Score proces voor Vowpal Wabbit:

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

Technische opmerkingen

Deze sectie bevat implementatie details, tips en antwoorden op veelgestelde vragen.

Parameters

Vowpal Wabbit heeft veel opdracht regel opties voor het kiezen en afstemmen van algoritmen. Een volledige bespreking van deze opties is hier niet mogelijk. We raden u aan om de pagina Vowpal Wabbit wikite bekijken.

De volgende para meters worden niet ondersteund in Azure Machine Learning Studio (klassiek).

  • De invoer-en uitvoer opties die zijn opgegeven in https://github.com/JohnLangford/vowpal_wabbit/wiki/Command-line-arguments

    Deze eigenschappen zijn al automatisch geconfigureerd door de module.

  • Daarnaast is alle opties die meerdere uitvoer genereren of meerdere invoer accepteert niet toegestaan. Dit zijn onder andere --cbt , --lda , en --wap .

  • Alleen bewaakte leer algoritmen worden ondersteund. Hiermee worden de volgende opties niet toegestaan –active : --rank , --search enzovoort.

Alle andere argumenten dan hierboven worden beschreven, zijn toegestaan.

Verwachte invoer

Naam Type Beschrijving
Getraind model ILearner-interface Ervaren kenniser
Gegevensset Gegevens tabel Te scoreren gegevensset

Module parameters

Naam Bereik Type Standaard Beschrijving
Gegevens type opgeven VW

SVMLight
DataType VW Geef aan of het bestands type SVMLight of Vowpal Wabbit is
VW argumenten alle Tekenreeks geen Typ Vowpal Wabbit argumenten. Niet insluiten-i of-p of-t
Een extra kolom met labels toevoegen Waar/onwaar Boolean-waarde onjuist Opgeven of het gezipte bestand labels moet bevatten met de voor spellingen
Een extra kolom met onbewerkte scores toevoegen Waar/onwaar Boolean-waarde onjuist Geef op of het resultaat een extra kolom moet bevatten met de onbewerkte scores (overeenkomend met--raw_predictions)

Outputs

Naam Type Beschrijving
Gegevensset voor resultaten Gegevens tabel Gegevensset met de Voorspellings resultaten

Uitzonderingen

Uitzondering Beschrijving
Fout 0001 Uitzonde ring treedt op als een of meer opgegeven kolommen met gegevensset niet zijn gevonden.
Fout 0003 Uitzonde ring treedt op als een of meer invoer waarden null of leeg zijn.
Fout 0004 Uitzonde ring treedt op als de para meter kleiner dan of gelijk aan een specifieke waarde is.
Fout 0017 Uitzonde ring treedt op als het type van een of meer opgegeven kolommen niet wordt ondersteund door de huidige module.

Zie machine learning fout codesvoor een lijst met fouten die specifiek zijn voor Studio-modules (Classic).

Zie Machine Learning rest API fout codesvoor een lijst met API-uitzonde ringen.

Zie ook

Text Analytics
Functie-hashing
Herkenning van benoemde entiteiten
Score Vowpal Wabbit 7-4-model
Vowpal Wabbit 7-4-model trainen
Vowpal Wabbit 8-model trainen
Module lijst a-Z