Оценка модели

Важно!

Поддержка Студии машинного обучения (классической) будет прекращена 31 августа 2024 г. До этой даты рекомендуется перейти на Машинное обучение Azure.

Начиная с 1 декабря 2021 года вы не сможете создавать новые ресурсы Студии машинного обучения (классической). Существующие ресурсы Студии машинного обучения (классическая версия) можно будет использовать до 31 августа 2024 г.

• См. сведения о перемещении проектов машинного обучения из ML Studio (классической) в Машинное обучение Azure.
• См. дополнительные сведения о Машинном обучении Azure.

Поддержка документации по ML Studio (классической) прекращается, а сама документация может не обновляться в будущем.

Оценивает прогнозы с помощью обученной модели классификации или регрессии

категория: Машинное обучение/оценка

Примечание

применимо к: только Машинное обучение Studio (классическая модель)

Подобные модули перетаскивания доступны в конструкторе машинного обучения Azure.

Обзор модуля

в этой статье описывается, как использовать модуль оценки модели в Машинное обучение Studio (классическая модель) для создания прогнозов с помощью обученной модели классификации или регрессии.

Использование модели оценки

1. Добавьте модуль Оценка модели в эксперимент в студии (классическая модель).

2. Подключите обученную модель и набор данных, содержащий новые входные данные.

   Данные должны быть в формате, совместимом с типом обученной модели, которую вы используете. Схема входного набора данных также должна соответствовать схеме данных, использовавшейся для обучения модели.

3. Запустите эксперимент.

Результаты

После создания набора оценок с помощью Оценки модели:

• Для создания набора метрик, используемых для оценки точности модели (производительность). для оценки моделиможно подключить набор данных с оценками.
• Щелкните правой кнопкой мыши модуль и выберите визуализировать , чтобы просмотреть образец результатов.
• Сохранение результатов в наборе данных.

Оценка (прогнозируемое значение) может быть в разных форматах в зависимости от модели и входных данных.

• Для моделей классификации Оценка модели выводит прогнозируемое значение для класса, а также вероятность этого прогнозируемого значения.
• Для моделей регрессии Оценка модели создает только прогнозируемое числовое значение.
• При использовании модели классификации изображений оценка может быть классом объекта в изображении или логическим значением, указывающим, найдена ли та или иная функция.

Публикация оценок как веб-служба

Обычно оценка используется для получения выходных данных в составе веб-службы прогнозирования. дополнительные сведения см. в этом руководстве по созданию веб-службы на основе эксперимента в Azure ML Studio (классическая модель).

• публикация веб-службы из Azure ML Studio (классическая модель)

Примеры

Примеры использования модели оценки в экспериментальном рабочем процессе см. в Коллекция решений ии Azure:

• Сравнение моделей двоичной классификации
• Сравнение моделей мультиклассовой классификации
• Сравнение нескольких моделей регрессии

Технические примечания

Модели, не поддерживаемые моделью оценки

Если вы используете модель одного из следующих особых типов, возможно, вам потребуется использовать один из следующих пользовательских модулей оценки:

• Оценка модели кластеризации: используйте назначение данных кластерам.

• Создание рекомендаций или создание данных для ознакомления с рекомендацией: использование помощника по оценке Matchbox

Советы по использованию

Если в данных, которые вы оцениваете, есть недостающие значения, во многих случаях для всей строки не будут созданы оценки.

Для следующих моделей машинного обучения требуются данные, в которых нет недостающих значений. При использовании следующих моделей машинного обучения проверьте данные перед их передачей в модель оценкии используйте чистые отсутствующие данные для изменения отсутствующих значений во входных столбцах.

• Двухклассовая регрессионная логистическая модель
• Two-Class Support Vector Machine (Двухклассовый метод опорных векторов);

Ожидаемые входные данные

Имя	Тип	Описание
Обученная модель	Интерфейс ILearner	Обученная модель прогнозирования
Dataset	Таблица данных	Проверочный входной набор данных

Выходные данные

Имя	Тип	Описание
Оцененный набор данных	Таблица данных	Набор данных с полученными оценками

Исключения

Исключение	Описание
Ошибка 0032	Исключение возникает, если аргумент не является числом.
Ошибка 0033	Исключение возникает, если аргумент — бесконечность.
Ошибка 0003	Исключение возникает, если один или несколько входных аргументов имеют значение NULL или пусты.
Ошибка 0013	Исключение возникает при передаче в модуль неверного типа ученика.

См. также раздел

Вычислить
Train Model (Обучение модели);
Подсистема Score Matchbox