Оценка модели

Оценивает прогнозы с помощью обученной модели классификации или регрессии

Категория: машинное обучение/Оценка

Примечание

Применимо к: машинное обучение Studio (классическая модель)

Это содержимое относится только к Studio (классическая модель). Аналогичные модули перетаскивания были добавлены в конструктор Машинное обучение Azure. Дополнительные сведения см. в статье сравнение двух версий.

Обзор модуля

В этой статье описывается, как использовать модуль оценки модели в машинное обучение Azure 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. Присоединение обученной модели и набора данных, содержащего 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, используемых для обучения модели.

  3. Запустите эксперимент.

Результаты

После создания набора оценок с помощью модели оценки:

  • 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 или прогнозируемое значение могут быть в различных форматах в зависимости от модели и входных данных:

  • Для моделей классификации модель оценки выводит прогнозируемое значение для класса, а также вероятность прогнозируемого значения.
  • Для моделей регрессии модель оценки 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-службы

Обычно Оценка используется для возврата выходных данных в составе прогнозной веб-службы. Дополнительные сведения см. в этом руководстве по созданию веб-службы на основе эксперимента в студии машинного обучения Azure (классическая модель).

Примеры

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

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:

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.

Ожидаемые входные данные

Имя Type Описание
Обученная модель Интерфейс ILearner Обученная модель прогнозирования
Набор данных Таблица данных Проверочный входной набор данных

Выходные данные

Имя Type 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

Давать
Обучение модели
Подсистема Score Matchbox