Udostępnij za pośrednictwem

Score Vowpal Wabbit Version 8 Model

  • Artykuł

Ważne

Obsługa programu Machine Learning Studio (wersja klasyczna) zakończy się 31 sierpnia 2024 r. Zalecamy przejście do usługi Azure Machine Learning przed tym terminem.

Od 1 grudnia 2021 r. nie będzie można tworzyć nowych zasobów programu Machine Learning Studio (wersja klasyczna). Do 31 sierpnia 2024 r. można będzie nadal korzystać z istniejących zasobów programu Machine Learning Studio (wersja klasyczna).

Dokumentacja programu ML Studio (wersja klasyczna) jest wycofywana i może nie być aktualizowana w przyszłości.

Ocenianie danych przy użyciu systemu uczenia maszynowego Vowpal Wabbit z interfejsu wiersza polecenia

Kategoria: analiza tekstu

Uwaga

Dotyczy: tylko Machine Learning Studio (klasyczne)

Podobne moduły przeciągania i upuszczania są dostępne w Azure Machine Learning projektanta.

Omówienie modułu

W tym artykule opisano sposób użycia modułu Score Vowpal Wabbit Version 8 Model (Generowanie wyników dla modelu Wabbit w wersji 8) w programie Machine Learning Studio (wersja klasyczna) w celu wygenerowania wyników dla zestawu danych wejściowych przy użyciu istniejącego wytrenowany model Vowpal Wabbit.

Ten moduł zawiera najnowszą wersję struktury Vowpal Wabbit w wersji 8. Ten moduł umożliwia ocenę danych przy użyciu wytrenego modelu zapisanego w formacie VW w wersji 8.

Jeśli masz istniejące modele utworzone przy użyciu starszej wersji, użyj tych modułów:

Jak skonfigurować score Vowpal Wabbit Model 8

  1. Dodaj moduł Score Vowpal Wabbit Version 8 Model (Ocena modelu Vowpal Wabbit w wersji 8 ) do eksperymentu.

  2. Dodaj wytrenowany model Vowpal Wabbit i połącz go z portem wejściowym po lewej stronie. Możesz użyć wytrenowany model utworzony w tym samym eksperymencie lub zlokalizować zapisany model w grupie Wytrenowane modele w lewym okienku nawigacji programu Studio (wersja klasyczna). Jednak model musi być dostępny w programie Machine Learning Studio (wersja klasyczna); nie można bezpośrednio załadować modelu z usługi Azure Storage.

    Uwaga

    Obsługiwane są tylko modele Vowpal Wabbit 8; Nie można połączyć zapisanych modeli, które zostały wytrenowane przy użyciu innych algorytmów, i nie można używać modeli, które zostały wytrenowane przy użyciu wcześniejszych wersji.

  3. W polu tekstowym Argumenty VW wpisz zestaw prawidłowych argumentów wiersza polecenia do pliku wykonywalnego Vowpal Wabbit.

    Aby uzyskać informacje o tym, które argumenty Vowpal Wabbit są obsługiwane i nieobsługiwane w Machine Learning, zobacz sekcję Uwagi techniczne.

  4. Kliknij pozycję Określ typ danych i wybierz z listy jeden z obsługiwanych typów danych.

    Ocenianie wymaga pojedynczej kolumny danych zgodnych z VW.

    Jeśli masz istniejący plik utworzony w formatach SVMLight lub VW, możesz załadować go do obszaru roboczego usługi Azure ML jako nowy zestaw danych w jednym z tych formatów: ogólny plik CSV bez nagłówka, TSV bez nagłówka.

    Opcja VW wymaga, aby etykieta była obecna, ale nie jest używana do oceniania z wyjątkiem porównania.

  5. Dodaj moduł Import danych i połącz go z prawym portem wejściowym modułu Score Vowpal Wabbit Version 8 (Wynik Vowpal Wabbit w wersji 8). Skonfiguruj importowanie danych, aby uzyskać dostęp do danych wejściowych.

    Dane wejściowe do oceniania muszą być wcześniej przygotowane w jednym z obsługiwanych formatów i przechowywane w usłudze Azure Blob Storage.

  6. Wybierz opcję Dołącz dodatkową kolumnę zawierającą etykiety, jeśli chcesz wyprowadzić etykiety wraz z wynikami.

    Zazwyczaj podczas obsługi danych tekstowych Vowpal Wabbit nie wymaga etykiet i zwraca tylko wyniki dla każdego wiersza danych.

  7. Wybierz opcję Dołącz dodatkową kolumnę zawierającą nieprzetworzone wyniki, jeśli chcesz wyprowadzać nieprzetworzone wyniki razem z wynikami.

    Porada

    Ta opcja jest nową opcją dla usługi Vowpal Wabbit w wersji 8.

  8. Wybierz opcję Użyj buforowanych wyników, jeśli chcesz ponownie użyć wyników z poprzedniego uruchomienia przy założeniu, że są spełnione następujące warunki:

    • Istnieje prawidłowa pamięć podręczna z poprzedniego uruchomienia.

    • Ustawienia danych wejściowych i parametrów modułu nie zmieniły się od poprzedniego uruchomienia.

    W przeciwnym razie proces importowania jest powtarzany przy każdym uruchamianiu eksperymentu.

  9. Uruchom eksperyment.

Wyniki

Po zakończeniu szkolenia:

Dane wyjściowe wskazują wynik przewidywania znormalizowany z 0 do 1.

Przykłady

Przykłady sposobu, w jaki Vowpal Wabbit może być używany w uczeniu maszynowym, zobacz Azure AI Gallery:

  • Przykład Vowpal Wabbit

    W tym eksperymencie pokazano przygotowywanie danych, trenowanie i operationalization modelu VW.

Poniższy film wideo zawiera przewodnik po procesie trenowania i oceniania dla Vowpal Wabbit:

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

Uwagi techniczne

Ta sekcja zawiera szczegóły implementacji, porady i odpowiedzi na często zadawane pytania.

Parametry

Vowpal Wabbit ma wiele opcji wiersza polecenia do wybierania i dostrajania algorytmów. Pełne omówienie tych opcji nie jest tutaj możliwe. Zalecamy wyświetlenie strony typu wiki Vowpal Wabbit.

Następujące parametry nie są obsługiwane w programie Machine Learning Studio (wersja klasyczna).

  • Opcje danych wejściowych/wyjściowych określone w https://github.com/JohnLangford/vowpal_wabbit/wiki/Command-line-arguments

    Te właściwości są już konfigurowane automatycznie przez moduł.

  • Ponadto każda opcja, która generuje wiele danych wyjściowych lub przyjmuje wiele danych wejściowych, jest niedozwolone. Należą do nich --cbt, --ldai --wap.

  • Obsługiwane są tylko algorytmy uczenia nadzorowanego. To nie zezwala na następujące opcje: –active, --rank, --search itp.

Wszystkie argumenty inne niż opisane powyżej są dozwolone.

Oczekiwane dane wejściowe

Nazwa Typ Opis
Wytrenowany model ILearner, interfejs Wytrenowany uczony uczony
Zestaw danych Tabela danych Zestaw danych do ujednania

Parametry modułu

Nazwa Zakres Typ Domyślny Opis
Określanie typu danych VW

SVMLight		 typ_danych VW Wskaż, czy typ pliku to SVMLight, czy Vowpal Wabbit
Argumenty VW dowolny Ciąg brak Wpisz Vowpal Wabbit argumenty. Nie uwzględniaj -i lub -p, ani -t
Dołącz dodatkową kolumnę zawierającą etykiety Prawda/fałsz Boolean fałsz Określanie, czy plik zip powinien zawierać etykiety z przewidywaniami
Dołącz dodatkową kolumnę zawierającą nieprzetworzone wyniki Prawda/fałsz Boolean fałsz Określ, czy wynik powinien zawierać dodatkowe kolumny zawierające nieprzetworzone wyniki (odpowiadające wartości --raw_predictions)

Dane wyjściowe

Nazwa Typ Opis
Zestaw danych wyników Tabela danych Zestaw danych z wynikami przewidywania

Wyjątki

Wyjątek Opis
Błąd 0001 Wyjątek występuje, jeśli nie można odnaleźć co najmniej jednej określonej kolumny zestawu danych.
Błąd 0003 Wyjątek występuje, jeśli co najmniej jeden z wejść ma wartość null lub jest pusty.
Błąd 0004 Wyjątek występuje, jeśli parametr jest mniejszy lub równy określonej wartości.
Błąd 0017 Wyjątek występuje, jeśli co najmniej jedna określona kolumna ma typ nieobsługiwany przez bieżący moduł.

Aby uzyskać listę błędów specyficznych dla modułów programu Studio (wersja klasyczna), zobacz Machine Learning Kodów błędów.

Aby uzyskać listę wyjątków interfejsu API, zobacz Machine Learning API REST Error Codes (Kody błędów interfejsu API REST).

Zobacz też

Analiza tekstu
Tworzenie skrótów funkcji
Rozpoznawanie jednostek nazwanych
Score Vowpal Wabbit 7-4 Model
Trenowanie modelu Vowpal Wabbit 7-4
Trenowanie modelu Vowpal Wabbit 8
Lista modułów A–Z