Puntuación de modelo
Importante
El soporte técnico de Machine Learning Studio (clásico) finalizará el 31 de agosto de 2024. Se recomienda realizar la transición a Azure Machine Learning antes de esa fecha.
A partir del 1 de diciembre de 2021 no se podrán crear recursos de Machine Learning Studio (clásico). Hasta el 31 de agosto de 2024, puede seguir usando los recursos de Machine Learning Studio (clásico) existentes.
- Consulte la información acerca de traslado de proyectos de aprendizaje automático de ML Studio (clásico) a Azure Machine Learning.
- Más información sobre Azure Machine Learning.
La documentación de ML Studio (clásico) se está retirando y es posible que no se actualice en el futuro.
Puntúa predicciones de un modelo de regresión o de clasificación entrenado
Categoría: Machine Learning/ Puntuación
Nota:
Solo se aplica a: Machine Learning Studio (clásico)
Hay módulos para arrastrar y colocar similares en el diseñador de Azure Machine Learning.
Información general sobre el módulo
En este artículo se describe cómo usar el módulo Puntuar modelo en Machine Learning Studio (clásico) para generar predicciones mediante un modelo de clasificación o regresión entrenado.
Uso del modelo de puntuación
Agregue el módulo Score Model (Puntuar modelo) al experimento en Studio (clásico).
Adjunte un modelo entrenado y un conjunto de datos que contenga los nuevos datos de entrada.
Los datos deben estar en un formato compatible con el tipo de modelo entrenado que usa. El esquema del conjunto de datos de entrada también debe coincidir generalmente con el esquema de los datos utilizados para entrenar el modelo.
Ejecute el experimento.
Results
Después de haber generado un conjunto de puntuaciones mediante Puntuar modelo:
- Para generar un conjunto de métricas utilizadas para evaluar la precisión del modelo (rendimiento). Puede conectar el conjunto de datos puntuado a Evaluar modelo.
- Haga clic con el botón derecho en el módulo y seleccione Visualizar para ver un ejemplo de los resultados.
- Guarde los resultados en un conjunto de datos.
La puntuación, o el valor de predicción, puede estar en muchos formatos diferentes, según el modelo y los datos de entrada:
- Para los modelos de clasificación, las salidas de Puntuar modelo dan como resultado un valor de predicción para la clase, así como la probabilidad del valor de predicción.
- Para los modelos de regresión, Puntuar modelo genera simplemente el valor numérico de predicción.
- Para los modelos de clasificación de imagen, la puntuación puede ser la clase de objeto en la imagen o un valor booleano que indica si se ha encontrado una característica determinada.
Publicar puntuaciones como servicio web
Un uso común de la puntuación es devolver la salida como parte de un servicio web predictivo. Para más información, consulte este tutorial sobre cómo crear un servicio web basado en un experimento en Azure ML Studio (clásico):
Ejemplos
Para obtener ejemplos de cómo se usa Score Model en un flujo de trabajo experimental, consulte el Azure AI Gallery:
- Comparar modelos de clasificación binaria
- Comparar modelos de clasificación multiclase
- Comparar varios modelos de regresión
Notas técnicas
Modelos no admitidos por Score Model
Si está utilizando uno de los siguientes tipos especiales de modelo, puede que deba usar uno de estos módulos de puntuación personalizados:
Puntuar un modelo de agrupación en clústeres: use Asignar datos a clústeres.
Creación de recomendaciones o generación de datos para evaluar un recomendador: Usar score Matchbox Recommender
Consejos de uso
Si los datos que está puntuando contienen valores que faltan, en muchos casos no se generará ninguna puntuación para toda la fila.
Los siguientes modelos de aprendizaje automático requieren que los datos no incluyan valores que faltan. Cuando use los siguientes modelos de aprendizaje automático, revise los datos antes de pasarlo a Puntuar modelo y use Limpiar datos que faltan para modificar los valores que faltan en las columnas de entrada.
- Regresión logística de dos clases
- Two-Class Support Vector Machine (Máquina de vectores de soporte de dos clases)
Entradas esperadas
| Nombre | Tipo | Descripción |
|---|---|---|
| Modelo entrenado | Interfaz ILearner | Modelo de predicción entrenado |
| Dataset | Tabla de datos | Conjunto de datos de prueba de entrada |
Salidas
| Nombre | Tipo | Descripción |
|---|---|---|
| Conjunto de datos puntuado | Tabla de datos | Conjunto de datos con puntuaciones obtenidas |
Excepciones
| Excepción | Descripción |
|---|---|
| Error 0032 | Se produce una excepción si el argumento no es un número. |
| Error 0033 | Se produce una excepción si el argumento es infinito. |
| Error 0003 | Se produce una excepción si una o varias de las entradas son NULL o están vacías. |
| Error 0013 | Se produce una excepción si el aprendiz que se pasa al módulo es un tipo no válido. |
Consulte también
Evaluate
Train Model (entrenar modelo)
Score Matchbox Recommender (puntuar un recomendador de Matchbox)