Pontuação Vowpal Wabbit Versão 8 Modelo

Importante

O suporte para o Estúdio de ML (clássico) terminará a 31 de agosto de 2024. Recomendamos a transição para o Azure Machine Learning até essa data.

A partir de 1 de dezembro de 2021, não poderá criar novos recursos do Estúdio de ML (clássico). Até 31 de agosto de 2024, pode continuar a utilizar os recursos existentes do Estúdio de ML (clássico).

• Consulte informações sobre projetos de machine learning em movimento de ML Studio (clássico) para Azure Machine Learning.
• Saiba mais sobre Azure Machine Learning.

A documentação do Estúdio de ML (clássico) está a ser descontinuada e poderá não ser atualizada no futuro.

Obtém dados utilizando o sistema de aprendizagem automática Vowpal Wabbit a partir da interface da linha de comando

Categoria: Análise de Texto

Nota

Aplica-se a: Machine Learning Studio (clássico) apenas

Módulos semelhantes de arrasto e queda estão disponíveis em Azure Machine Learning designer.

Visão geral do módulo

Este artigo descreve como usar o módulo modelo Score Vowpal Wabbit Version 8 Model em Machine Learning Studio (clássico), para gerar pontuações para um conjunto de dados de entrada, utilizando um modelo de Wabbit Vowpal treinado existente.

Este módulo fornece a versão mais recente da estrutura Vowpal Wabbit, versão 8. Utilize este módulo para obter dados utilizando um modelo treinado guardado no formato VW versão 8.

Se tiver modelos existentes criados utilizando uma versão anterior, utilize estes módulos:

• Modelo Wabbit 7-4 do comboio
• Pontuação Vowpal Wabbit 7-4 Modelo

Como configurar score Vowpal Wabbit Model 8

1. Adicione o módulo modelo Wabbit 5 da Marca Vowpal à sua experiência.

2. Adicione um modelo de Wabbit Vowpal treinado e conecte-o à porta de entrada à esquerda. Você pode usar um modelo treinado criado na mesma experiência, ou localizar um modelo salvo no grupo de Modelos Treinados do Painel de Navegação esquerda do Studio (clássico). No entanto, o modelo deve estar disponível no Machine Learning Studio (clássico); não é possível carregar diretamente um modelo a partir do armazenamento da Azure.

   Nota

   Apenas os modelos Vowpal Wabbit 8 são suportados; não é possível ligar modelos salvos que foram treinados usando outros algoritmos, e não pode usar modelos treinados usando versões anteriores.

3. Na caixa de texto de argumentos VW , digite um conjunto de argumentos válidos de linha de comando para o Vowpal Wabbit executável.

   Para obter informações sobre quais os argumentos da Vowpal Wabbit apoiados e não suportados em Machine Learning, consulte a secção Notas Técnicas.

4. Clique em Especificar o tipo de dados e selecione um dos tipos de dados suportados da lista.

   A pontuação requer uma única coluna de dados compatíveis com VW.

   Se tiver um ficheiro existente que tenha sido criado nos formatos SVMLight ou VW, pode carregá-lo no espaço de trabalho Azure ML como um novo conjunto de dados num destes formatos: CSV genérico sem cabeçalho, TSV sem cabeçalho.

   A opção VW requer a presença de uma etiqueta, mas não é utilizada na pontuação, exceto na comparação.

5. Adicione um módulo de Dados de Importação e conecte-o à porta de entrada direita da Nota Vowpal Wabbit Versão 8. Configure os Dados de Importação para aceder aos dados de entrada.

   Os dados de entrada para a pontuação devem ter sido preparados antes do tempo num dos formatos suportados e armazenados no armazenamento de blob Azure.

6. Selecione a opção, Inclua uma coluna extra contendo etiquetas, se pretender fazer etiquetas de saída juntamente com as pontuações.

   Normalmente, ao tratar dados de texto, o Vowpal Wabbit não requer etiquetas, e devolverá apenas as pontuações de cada linha de dados.

7. Selecione a opção, Inclua uma coluna extra contendo pontuações brutas, se pretender fazer contas brutas juntamente com os resultados.

   Dica

   Esta opção é nova para a Versão Wabbit 8 da Vowpal.

8. Selecione a opção, Utilize os resultados em cache, se pretender reutilizar os resultados de uma execução anterior, assumindo que as seguintes condições estão reunidas:

   • Existe uma cache válida de uma execução anterior.

   • As definições de dados de entrada e parâmetros do módulo não mudaram desde a execução anterior.

   Caso contrário, o processo de importação é repetido cada vez que a experiência decorre.

9. Execute a experimentação.

Resultados

Após o treino estar completo:

• Para visualizar os resultados, clique com o botão direito na saída do módulo modelo Score Vowpal Wabbit Version 8 .

A saída indica uma pontuação de previsão normalizada de 0 a 1.

Exemplos

Por exemplo, como o Vowpal Wabbit pode ser usado na aprendizagem automática, consulte a Galeria Azure AI:

• Amostra de Wabbit Vowpal

  Esta experiência demonstra a preparação, formação e operacionalização de dados de um modelo VW.

O seguinte vídeo proporciona uma passagem pelo processo de treino e pontuação para Vowpal Wabbit:

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

Notas técnicas

Esta secção contém detalhes de implementação, dicas e respostas a perguntas frequentes.

Parâmetros

Vowpal Wabbit tem muitas opções de linha de comando para escolher e afinar algoritmos. Não é possível discutir todas estas opções; recomendamos que veja a página wiki Vowpal Wabbit.

Os seguintes parâmetros não são suportados no Machine Learning Studio (clássico).

• As opções de entrada/saída especificadas em https://github.com/JohnLangford/vowpal_wabbit/wiki/Command-line-arguments

  Estas propriedades já estão configuradas automaticamente pelo módulo.

• Além disso, qualquer opção que gere várias saídas ou que leve várias entradas é proibida. Estes incluem --cbt, --ldae --wap.

• Apenas algoritmos de aprendizagem supervisionados são suportados. Isto não permite estas opções: –active, , --ranketc --search .

Todos os argumentos que não os acima descritos são permitidos.

Entradas esperadas

Nome	Tipo	Description
Modelo treinado	Interface ILearner	Aprendiz treinado
Conjunto de dados	Tabela de Dados	Conjunto de dados a ser pontuado

Parâmetros do módulo

Name	Intervalo	Tipo	Predefinição	Description
Especificar o tipo de dados	VW SVMLight	DataType	VW	Indicar se o tipo de ficheiro é SVMLight ou Vowpal Wabbit
Argumentos VW	qualquer	String	nenhum	Tipo argumentos Vowpal Wabbit. Não inclua -i ou -p, ou -t
Incluir uma coluna extra contendo rótulos	Verdadeiro/Falso	Booleano	false	Especificar se o ficheiro com fecho deve incluir etiquetas com as previsões
Incluir uma coluna extra contendo pontuações brutas	Verdadeiro/Falso	Booleano	false	Especificar se o resultado deve incluir uma coluna adicional que contenha as pontuações brutas (correspondentes a --raw_predictions)

Saídas

Nome	Tipo	Description
Conjunto de dados de resultados	Tabela de Dados	Conjunto de dados com os resultados da previsão

Exceções

Exceção	Description
Erro 0001	A exceção ocorre se uma ou mais colunas especificadas de conjunto de dados não puderem ser encontradas.
Erro 0003	A exceção ocorre se uma ou mais entradas forem nulas ou vazias.
Erro 0004	A exceção ocorre se o parâmetro for inferior ou igual ao valor específico.
Erro 0017	A exceção ocorre se uma ou mais colunas especificadas tiverem o tipo não suportado pelo módulo atual.

Para obter uma lista de erros específicos dos módulos Studio (clássicos), consulte Machine Learning Códigos de Erro.

Para obter uma lista de exceções da API, consulte Machine Learning CÓDIGOs de Erro da API REST.

Ver também

Análise de Texto
Hashing de Funcionalidade
Reconhecimento de Entidades Nomeadas
Pontuação Vowpal Wabbit 7-4 Modelo
Modelo Wabbit 7-4 do comboio
Modelo Vowpal Wabbit 8 do comboio
Lista de Módulos A-Z