Vowpal Wabbit sürüm 8 modeli puanı

  • Makale

Önemli

Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.

1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.

ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.

Komut satırı arabiriminden Vowpal Wabbit makine öğrenimi sistemini kullanarak verileri puanlarını

kategori: Metin Analizi

Not

uygulama hedefi: yalnızca Machine Learning Studio (klasik)

benzer sürükle ve bırak modülleri Azure Machine Learning tasarımcısındakullanılabilir.

Modüle genel bakış

bu makalede, var olan bir eğitilen wabbit modelini kullanarak bir giriş verileri kümesinin puanlarını oluşturmak için Machine Learning Studio 'da (klasik) vowpal wabbit sürüm 8 Model modülünün nasıl kullanılacağı açıklanır.

Bu modül Vowpal Wabbit Framework 'ün en son sürümünü, sürüm 8 ' i sağlar. Bu modülü, VW sürüm 8 biçiminde kaydedilmiş eğitilen bir model kullanarak verileri öğrenmek için kullanın.

Önceki bir sürüm kullanılarak oluşturulmuş mevcut modelleriniz varsa şu modülleri kullanın:

Puan Vowpal Wabbit model 8 ' i yapılandırma

  1. Denemenize Vowpal Wabbit sürüm 8 model modülünü ekleyin.

  2. Eğitimli bir Vowpal Wabbit modeli ekleyin ve sol taraftaki giriş bağlantı noktasına bağlayın. Aynı deneymede oluşturulan eğitilen bir modeli kullanabilir veya bir kaydedilmiş modeli, Studio 'nun eğitilen modeller grubunda (klasik) sol gezinti bölmesinde bulabilirsiniz. ancak, model Machine Learning Studio 'da (klasik) kullanılabilir olmalıdır; Azure storage 'dan doğrudan bir model yükleyemezsiniz.

    Not

    Yalnızca Vowpal Wabbit 8 modelleri desteklenir; diğer algoritmalar kullanılarak eğitilen kaydedilmiş modellere bağlanamazsınız ve önceki sürümler kullanılarak eğitilen modeller kullanamazsınız.

  3. VW bağımsız değişkenleri metin kutusunda, Vowpal Wabbit yürütülebilir dosyasına geçerli bir komut satırı bağımsız değişkeni kümesi yazın.

    Machine Learning ' de desteklenmeyen ve desteklenmeyen vowpal wabbit bağımsız değişkenleri hakkında bilgi için bkz. teknik notlar bölümü.

  4. Veri türünü belirt' e tıklayın ve listeden desteklenen veri türlerinden birini seçin.

    Puanlama, VW ile uyumlu verilerin tek bir sütununu gerektirir.

    svmlight veya VW biçimlerinde oluşturulmuş bir dosyanız varsa, bu biçimlerden birinde yeni bir veri kümesi olarak Azure ML çalışma alanına yükleyebilirsiniz: header olmadan Generic CSV, üst bilgi içermeyen TSV.

    VW seçeneği bir etiketin mevcut olmasını gerektirir, ancak karşılaştırma haricinde Puanlama içinde kullanılmaz.

  5. Veri Içeri aktarma modülü ekleyin ve bunu Vowpal Wabbit sürüm 8 puanınınsağ taraftaki giriş bağlantı noktasına bağlayın. Giriş verilerine erişmek için Içeri aktarma verilerini yapılandırın.

    Puanlama için giriş verilerinin, desteklenen biçimlerden birinde ve Azure Blob depolamada depolanmadan önce hazırlanmış olması gerekir.

  6. Etiketleri, puanlarla birlikte çıkış yapmak istiyorsanız, etiketleri içeren fazladan bir sütun ekleyin.

    Genellikle, metin verileri işlenirken Vowpal Wabbit etiketleri gerektirmez ve yalnızca her bir veri satırının puanlarını döndürür.

  7. Ham puanları sonuçlarla birlikte çıkış yapmak istiyorsanız, Ham puanları içeren fazladan bir sütun ekleyinseçeneğini belirleyin.

    İpucu

    Bu seçenek Vowpal Wabbit sürüm 8 için yenidir.

  8. Aşağıdaki koşulların karşılandığını varsayarak, önceki bir çalıştırmanın sonuçlarını yeniden kullanmak istiyorsanız, önbelleğe alınmış sonuçları kullanınseçeneğini belirleyin:

    • Önceki bir çalıştırmada geçerli bir önbellek var.

    • Modülün giriş verileri ve parametre ayarları, önceki çalıştırmasından bu yana değişmemiştir.

    Aksi takdirde, denemeler her çalıştığında içeri aktarma işlemi yinelenir.

  9. Denemeyi çalıştırın.

Sonuçlar

Eğitim tamamlandıktan sonra:

Çıktı, 0 ' dan 1 ' e normalleştirilmiş bir tahmin puanı gösterir.

Örnekler

Bilgisayar öğreniminde Vowpal Wabbit kullanım örnekleri için bkz. Azure yapay zeka Galerisi:

  • Vowpal Wabbit örneği

    Bu deneme, bir VW modelinin veri hazırlanmasını, eğitimini ve işlem kullanımını gösterir.

Aşağıdaki videoda, Vowpal Wabbit için eğitim ve Puanlama işlemine yönelik bir anlatım sunulmaktadır:

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

Teknik notlar

Bu bölümde, sık sorulan soruların uygulama ayrıntıları, ipuçları ve yanıtları yer almaktadır.

Parametreler

Vowpal Wabbit, algoritma seçme ve ayarlama için birçok komut satırı seçeneklerine sahiptir. Burada bu seçeneklerin tam bir tartışması mümkün değildir; Vowpal Wabbit wiki sayfasınıgörüntülemenizi öneririz.

aşağıdaki parametreler Machine Learning Studio 'da (klasik) desteklenmez.

  • İçinde belirtilen giriş/çıkış seçenekleri https://github.com/JohnLangford/vowpal_wabbit/wiki/Command-line-arguments

    Bu özellikler modül tarafından zaten otomatik olarak yapılandırılmıştır.

  • Ayrıca, birden çok çıkış üreten veya birden çok giriş alan herhangi bir seçeneğe izin verilmez. Bunlar, --lda ve --wap içerir --cbt .

  • Yalnızca denetimli öğrenme algoritmaları desteklenir. Bu, bu seçeneklere izin vermez: –active , --rank , --search vb.

Yukarıda açıklananlar dışında tüm bağımsız değişkenlere izin verilir.

Beklenen girişler

Ad Tür Description
Eğitilen model ILearner arabirimi Eğitilen öğrenici
Veri kümesi Veri tablosu Puanlanması için veri kümesi

Modül parametreleri

Name Aralık Tür Varsayılan Description
Veri türünü belirtin VW

SVMLight		 DataType VW Dosya türünün SVMLight mi yoksa Vowpal Wabbit mi olduğunu belirtin
VW bağımsız değişkenleri herhangi biri Dize yok Vowpal Wabbit bağımsız değişkenlerini yazın. -İ veya-p veya-t dahil etme
Etiketler içeren fazladan bir sütun ekleyin True/False Boole yanlış Daraltılmış dosyanın tahmine dayalı Etiketler içerip içermediğini belirtin
Ham puanları içeren fazladan bir sütun ekleyin True/False Boole yanlış Sonucun ham puanları içeren ek sütunlar içerip içermediğini belirtin (--raw_predictions karşılık gelen)

Çıkışlar

Ad Tür Description
Sonuç veri kümesi Veri tablosu Tahmin sonuçlarıyla veri kümesi

Özel durumlar

Özel durum Description
Hata 0001 Belirli bir veya daha fazla veri kümesi sütunu bulunamazsa özel durum oluşur.
Hata 0003 Bir veya daha fazla giriş null veya boş olduğunda özel durum oluşur.
Hata 0,0004 Parametre belirli bir değerden küçük veya ona eşitse özel durum oluşur.
Hata 0017 Belirtilen bir veya daha fazla sütunda geçerli modülde desteklenmeyen tür varsa özel durum oluşur.

Studio (klasik) modüllerine özgü hataların listesi için bkz. Machine Learning hata kodları.

apı özel durumlarının listesi için bkz. Machine Learning REST API hata kodları.

Ayrıca bkz.

Metin Analizi
Özellik Karma
Adlandırılmış Varlık Tanıma
Vowpal Wabbit 7-4 modeli puanı
Vowpal Wabbit 7-4 modeline eğitme
Vowpal Wabbit 8 modelini eğitme
A-Z modül listesi