Poäng för Vowpal Wabbit Version 8-modell

  • Artikel

Viktigt

Stödet för Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du byter till Azure Machine Learning innan dess.

Från och med den 1 december 2021 kan du inte längre skapa nya Machine Learning Studio-resurser (klassisk). Du kan fortsätta att använda befintliga Machine Learning Studio-resurser (klassisk) till och med den 31 augusti 2024.

Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.

Poängdata med hjälp av Vowpal Wabbit-maskininlärningssystemet från kommandoradsgränssnittet

Kategori: Textanalys

Anteckning

Gäller endast för: Machine Learning Studio (klassisk)

Liknande dra och släpp-moduler är tillgängliga i Azure Machine Learning designer.

Modulöversikt

I den här artikeln beskrivs hur du använder modulen Score Vowpal Wabbit Version 8 Model i Machine Learning Studio (klassisk) för att generera poäng för en uppsättning indata med hjälp av en befintlig tränad Vowpal Wabbit-modell.

Den här modulen innehåller den senaste versionen av Vowpal Wabbit-ramverket, version 8. Använd den här modulen för att poängdöma data med hjälp av en tränad modell som sparats i VW version 8-format.

Om du har befintliga modeller som skapats med en tidigare version använder du följande moduler:

Konfigurera Score Vowpal Wabbit Model 8

  1. Lägg till modulen Score Vowpal Wabbit Version 8 Model (Poänglämna Vowpal Wabbit Version 8-modell ) i experimentet.

  2. Lägg till en tränad Vowpal Wabbit-modell och anslut den till den vänstra indataporten. Du kan använda en tränad modell som skapats i samma experiment eller leta upp en sparad modell i den vänstra navigeringsfönstret i gruppen Tränade modeller i Studio (klassisk). Modellen måste dock vara tillgänglig i Machine Learning Studio (klassisk). Du kan inte läsa in en modell direkt från Azure Storage.

    Anteckning

    Endast Vowpal Wabbit 8-modeller stöds. du kan inte ansluta sparade modeller som har tränats med hjälp av andra algoritmer och du kan inte använda modeller som har tränats med tidigare versioner.

  3. I textrutan VW-argument skriver du en uppsättning giltiga kommandoradsargument till den körbara Vowpal Wabbit-filen.

    Information om vilka Vowpal Wabbit-argument som stöds och inte stöds Machine Learning finns i avsnittet Tekniska anteckningar.

  4. Klicka på Ange datatyp och välj en av de datatyper som stöds i listan.

    Bedömning kräver en enda kolumn med VW-kompatibla data.

    Om du har en befintlig fil som har skapats i SVMLight- eller VW-format kan du läsa in den i Azure ML-arbetsytan som en ny datauppsättning i något av följande format: Allmän CSV utan rubrik, TSV utan rubrik.

    VW-alternativet kräver att det finns en etikett, men den används inte i bedömning med undantag för jämförelse.

  5. Lägg till en Import Data-modul och anslut den till den högra indataporten för Score Vowpal Wabbit Version 8. Konfigurera Importera data för att få åtkomst till indata.

    Indata för bedömning måste ha förberetts i förväg i något av de format som stöds och lagras i Azure Blob Storage.

  6. Välj alternativet Inkludera en extra kolumn som innehåller etiketter om du vill mata ut etiketter tillsammans med poängen.

    När du hanterar textdata kräver Vowpal Wabbit vanligtvis inte etiketter och returnerar endast poängen för varje rad med data.

  7. Välj alternativet Inkludera en extra kolumn som innehåller rådatapoäng om du vill mata ut rådatapoäng tillsammans med resultatet.

    Tips

    Det här alternativet är nytt för Vowpal Wabbit Version 8.

  8. Välj alternativet Använd cachelagrade resultat om du vill använda resultat från en tidigare körning igen, förutsatt att följande villkor är uppfyllda:

    • Det finns en giltig cache från en tidigare körning.

    • Inställningarna för indata och parametrar för modulen har inte ändrats sedan den föregående körningen.

    Annars upprepas importen varje gång experimentet körs.

  9. Kör experimentet.

Resultat

När träningen är klar:

Utdata indikerar en förutsägelsepoäng som normaliserats från 0 till 1.

Exempel

Exempel på hur Vowpal Wabbit kan användas i maskininlärning finns i Azure AI Gallery:

Följande video innehåller en genomgång av träningen och bedömningsprocessen för Vowpal Wabbit:

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

Teknisk information

Det här avsnittet innehåller implementeringsinformation, tips och svar på vanliga frågor.

Parametrar

Vowpal Wabbit har många kommandoradsalternativ för att välja och justera algoritmer. En fullständig diskussion om dessa alternativ är inte möjlig här. Vi rekommenderar att du visar Wiki-sidan för Vowpal Wabbit.

Följande parametrar stöds inte i Machine Learning Studio (klassisk).

  • De in- och utdataalternativ som anges i https://github.com/JohnLangford/vowpal_wabbit/wiki/Command-line-arguments

    De här egenskaperna konfigureras redan automatiskt av modulen.

  • Dessutom tillåts inte alla alternativ som genererar flera utdata eller tar flera indata. Dessa inkluderar --cbt, --ldaoch --wap.

  • Endast algoritmer för övervakad inlärning stöds. Detta innebär att dessa alternativ inte är till för: –active, --rankosv --search .

Alla andra argument än de som beskrivs ovan tillåts.

Förväntade indata

Namn Typ Description
Tränad modell ILearner-gränssnitt Tränad elever
Datamängd Datatabell Datauppsättning som ska poängas

Modulparametrar

Name Intervall Typ Standardvärde Description
Ange datatyp VW

SVMLight		 DataType VW Ange om filtypen är SVMLight eller Vowpal Wabbit
VW-argument valfri Sträng inget Skriv Vowpal Wabbit-argument. Ta inte med -i eller -p eller -t
Inkludera en extra kolumn som innehåller etiketter Sant/falskt Boolesk falskt Ange om den komprimerade filen ska innehålla etiketter med förutsägelserna
Inkludera en extra kolumn som innehåller rådatapoäng Sant/falskt Boolesk falskt Ange om resultatet ska innehålla ytterligare kolumner som innehåller rådatapoängen (motsvarande --raw_predictions)

Utdata

Namn Typ Description
Resultatdatauppsättning Datatabell Datauppsättning med förutsägelseresultat

Undantag

Undantag Description
Fel 0001 Undantag inträffar om det inte gick att hitta en eller flera angivna kolumner i datauppsättningen.
Fel 0003 Undantag inträffar om en eller flera indata är null eller tomma.
Fel 0004 Undantag inträffar om parametern är mindre än eller lika med ett visst värde.
Fel 0017 Undantaget inträffar om en eller flera angivna kolumner har en typ som inte stöds av den aktuella modulen.

En lista över fel som är specifika för Studio-moduler (klassisk) finns i Machine Learning felkoder.

En lista över API-undantag finns i Machine Learning REST API felkoder.

Se även

Textanalys
Funktions-hash
Igenkänning av namngiven enhet
Poäng för Vowpal Wabbit 7-4-modell
Träna Vowpal Wabbit 7-4-modell
Träna Vowpal Wabbit 8-modell
A-Z-modullista