Pontuar Modelo

Pontuar previsões para um modelo de classificação ou regressão treinado

Categoria: Machine Learning/Pontuação

Observação

Aplica-se a: Machine Learning Studio (clássico)

Esse conteúdo pertence apenas ao estúdio (clássico). Módulos de arrastar e soltar semelhantes foram adicionados ao designer de Azure Machine Learning. Saiba mais neste artigo comparando as duas versões.

Visão geral do módulo

Este artigo descreve como usar o módulo modelo de Pontuação no Azure Machine Learning Studio (clássico) para gerar previsões usando um modelo de classificação ou regressão treinado.

Como usar o modelo de Pontuação

  1. Adicione o módulo modelo de Pontuação ao seu experimento no estúdio (clássico).

  2. Anexe um modelo treinado e um conjunto de dados que contenha novos dado de entrada.

    Os dados devem estar em um formato compatível com o tipo de modelo treinado que você está usando. O esquema do conjunto de dados de entrada também deve corresponder ao esquema dos dados usados para treinar o modelo.

  3. Execute o experimento.

Resultados

Depois de gerar um conjunto de pontuações usando o modelo de Pontuação:

  • Para gerar um conjunto de métricas usado para avaliar a precisão do modelo (desempenho). Você pode conectar o conjunto de pontos de Pontuação para avaliar o modelo,
  • Clique com o botão direito do mouse no módulo e selecione Visualizar para ver um exemplo dos resultados.
  • Salvar os resultados em um DataSet.

A pontuação, ou o valor previsto, pode estar em vários formatos diferentes, dependendo do modelo e dos dados de entrada:

  • Para modelos de classificação, o modelo de Pontuação gera um valor previsto para a classe, bem como a probabilidade do valor previsto.
  • Para modelos de regressão, o modelo de Pontuação gera apenas o valor numérico previsto.
  • Para modelos de classificação de imagem, o resultado pode ser a classe do objeto na imagem ou um valor booleano que indica se um determinado recurso foi encontrado.

Publicar pontuações como um serviço Web

Um uso comum de pontuação é retornar a saída como parte de um serviço Web de previsão. Para obter mais informações, consulte este tutorial sobre como criar um serviço Web com base em um experimento no Azure ML Studio (clássico):

Exemplos

Para obter exemplos de como o modelo de Pontuação é usado em um fluxo de trabalho experimental, consulte o Galeria de ia do Azure:

Observações técnicas

Modelos sem suporte pelo modelo de Pontuação

Se você estiver usando um dos seguintes tipos especiais de modelo, talvez seja necessário usar um desses módulos personalizados de pontuação:

Dicas de uso

Se os dados que você está pontuando contém valores ausentes, em muitos casos, nenhuma pontuação será gerada para a linha inteira.

Os seguintes modelos de aprendizado de máquina exigem que os dados não tenham nenhum valor ausente. Ao usar os seguintes modelos de aprendizado de máquina, examine os dados antes de passá-los para o modelo de Pontuaçãoe use limpar dados ausentes para corrigir os valores ausentes nas colunas de entrada.

Entradas esperadas

Nome Tipo Descrição
Modelo treinado Interface ILearner Modelo de previsão treinado
Conjunto de dados Tabela de Dados Conjunto de dados de teste de entrada

Saídas

Nome Tipo Descrição
Conjunto de dados classificado Tabela de Dados Conjunto de dados com classificações obtidas

Exceções

Exceção Descrição
Erro 0032 Ocorrerá uma exceção se o argumento não for um número.
Erro 0033 Ocorrerá uma exceção se o argumento for infinito.
Erro 0003 Ocorrerá uma exceção se uma ou mais das entradas for nula ou estiver vazia.
Erro 0013 A exceção ocorrerá se o aprendizado que é passado para o módulo for um tipo inválido.

Consulte também

Avaliado
Modelo de treinamento
Classificar recomendador Matchbox