Pontuar Modelo

Importante

O suporte para o Machine Learning Studio (clássico) terminará em 31 de agosto de 2024. É recomendável fazer a transição para o Azure Machine Learning até essa data.

A partir de 1º de dezembro de 2021, você não poderá criar recursos do Machine Learning Studio (clássico). Até 31 de agosto de 2024, você pode continuar usando os recursos existentes do Machine Learning Studio (clássico).

• Confira informações sobre como mover projetos de machine learning do ML Studio (clássico) para o Azure Machine Learning.
• Saiba mais sobre o Azure Machine Learning.

A documentação do ML Studio (clássico) está sendo desativada e pode não ser atualizada no futuro.

Pontuar previsões para um modelo de classificação ou regressão treinado

Categoria: Machine Learning/Pontuação

Observação

Aplica-se a: Machine Learning Studio (clássico) somente

Módulos semelhantes do tipo "arrastar e soltar" estão disponíveis no designer do Azure Machine Learning.

Visão geral do módulo

Este artigo descreve como usar o módulo Modelo de Pontuação no Machine Learning Studio (clássico) para gerar previsões usando um modelo de classificação ou regressão treinado.

Como usar o Modelo de Pontuação

1. Adicione o módulo Modelo de Pontuação ao seu experimento no Studio (clássico).

2. Anexe um modelo treinado e um conjunto de dados que contenha novos dado de entrada.

   Os dados devem estar em um formato compatível com o tipo de modelo treinado que você está usando. O esquema do conjunto de dados de entrada também deve corresponder ao esquema dos dados usados para treinar o modelo.

3. Execute o experimento.

Resultados

Depois de gerar um conjunto de pontuações usando o Modelo de Pontuação:

• Para gerar um conjunto de métricas usadas para avaliar a precisão (desempenho) do modelo. você pode conectar o conjuntos de dados pontuados ao Modelo de Avaliação,
• Clique com o botão direito do mouse no módulo e selecione Visualizar para ver um exemplo dos resultados.
• Salve os resultados em um conjuntos de dados.

A pontuação ou o valor previsto pode estar em vários formatos diferentes, dependendo do modelo e dos dados de entrada:

• Para modelos de classificação, o Modelo de Pontuação gera um valor previsto para a classe, bem como a probabilidade do valor previsto.
• Para modelos de regressão, o Modelo de Pontuação gera apenas o valor numérico previsto.
• Para modelos de classificação de imagem, o resultado pode ser a classe do objeto na imagem ou um valor booleano que indica se um determinado recurso foi encontrado.

Publicar pontuações como um serviço Web

Um uso comum da pontuação é retornar a saída como parte de um serviço Web preditivo. Para obter mais informações, consulte este tutorial sobre como criar um serviço Web com base em um experimento no Azure ML Studio (clássico):

• Publicar um serviço Web do Azure ML Studio (clássico)

Exemplos

Para exemplos de como o Modelo de Pontuação é usado em um fluxo de trabalho experimental, consulte o Galeria de IA do Azure:

• Comparar modelos de classificação binária
• Comparar os modelos de classificação multiclasse
• Comparar vários modelos de regressão

Observações técnicas

Modelos sem suporte pelo Modelo de Pontuação

Se você estiver usando um dos seguintes tipos especiais de modelo, talvez seja necessário usar um desses módulos personalizados de pontuação:

• Pontuar um modelo de clustering: use Atribuir dados a clusters.

• Criar recomendações ou gerar dados para avaliar um recomendador: Usar a Recomendação de Caixa de Combinação de Pontuação

Dicas de uso

Se os dados que você está pontuando contém valores ausentes, em muitos casos, nenhuma pontuação será gerada para a linha inteira.

Os seguintes modelos de aprendizado de máquina exigem que os dados não tenham nenhum valor ausente. Ao usar os modelos de machine learning a seguir, revise os dados antes de passá-los para o Modelo de Pontuação e use Limpar Dados Ausentes para corrigir os valores ausentes nas colunas de entrada.

• Regressão Logística de Duas Classes
• Computador de Vetor de Suporte de Duas Classes

Entradas esperadas

Nome	Tipo	Descrição
Modelo treinado	Interface ILearner	Modelo de previsão treinado
Dataset	Tabela de Dados	Conjunto de dados de teste de entrada

Saídas

Nome	Tipo	Descrição
Conjunto de dados classificado	Tabela de Dados	Conjunto de dados com classificações obtidas

Exceções

Exceção	Descrição
Erro 0032	Ocorrerá uma exceção se o argumento não for um número.
Erro 0033	Ocorrerá uma exceção se o argumento for infinito.
Erro 0003	Ocorrerá uma exceção se uma ou mais das entradas for nula ou estiver vazia.
Erro 0013	A exceção ocorrerá se o aprendizado que é passado para o módulo for um tipo inválido.

Confira também

Avaliar
Treinar Modelo
Classificar recomendador Matchbox