Poängmodell
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.
- Se information om hur du flyttar maskininlärningsprojekt från ML Studio (klassisk) till Azure Machine Learning.
- Läs mer om Azure Machine Learning.
Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.
Poängförutsägelser för en tränad klassificerings- eller regressionsmodell
Kategori: Machine Learning/poäng
Anteckning
Gäller endast för: Machine Learning Studio (klassisk)
Liknande dra och släpp-moduler är tillgängliga i Azure Machine Learning designer.
Modulöversikt
Den här artikeln beskriver hur du använder modulen Poängmodell i Machine Learning Studio (klassisk) för att generera förutsägelser med hjälp av en tränad klassificerings- eller regressionsmodell.
Så här använder du poängmodell
Lägg till modulen Poängmodell i experimentet i Studio (klassisk).
Bifoga en tränad modell och en datauppsättning som innehåller nya indata.
Data ska vara i ett format som är kompatibelt med den typ av tränad modell som du använder. Schemat för indatauppsättningen bör också vanligtvis matcha schemat för de data som används för att träna modellen.
Kör experimentet.
Resultat
När du har genererat en uppsättning poäng med hjälp av poängmodellen:
- Generera en uppsättning mått som används för att utvärdera modellens noggrannhet (prestanda). du kan ansluta den poängade datauppsättningen till Utvärdera modell,
- Högerklicka på modulen och välj Visualisera för att se ett exempel på resultatet.
- Spara resultatet i en datauppsättning.
Poängen, eller det förutsagda värdet, kan ha många olika format, beroende på modellen och dina indata:
- För klassificeringsmodeller matar Poängmodell ut ett förutsagt värde för klassen, samt sannolikheten för det förutsagda värdet.
- För regressionsmodeller genererar Poängmodell bara det förutsagda numeriska värdet.
- För bildklassificeringsmodeller kan poängen vara klassen för objektet i bilden eller ett booleskt värde som anger om en viss funktion hittades.
Publicera poäng som en webbtjänst
En vanlig användning av bedömning är att returnera utdata som en del av en förutsägelsewebbtjänst. Mer information finns i den här självstudien om hur du skapar en webbtjänst baserat på ett experiment i Azure ML Studio (klassisk):
Exempel
Exempel på hur Poängmodell används i ett experimentellt arbetsflöde finns i Azure AI Gallery:
- Jämföra binära klassificeringsmodeller
- Jämföra klassificeringsmodeller med flera klasser
- Jämföra modeller med multipel regression
Teknisk information
Modeller som inte stöds av Poängmodell
Om du använder någon av följande särskilda typer av modell kan du behöva använda någon av dessa anpassade bedömningsmoduler:
Poäng en klustringsmodell: Använd Tilldela data till kluster.
Skapa rekommendationer eller generera data för utvärdering av en rekommenderare: Använd Score Matchbox Recommender
Användningstips
Om de data som du poängsätter innehåller saknade värden genereras i många fall ingen poäng för hela raden.
Följande maskininlärningsmodeller kräver att data inte har några saknade värden. När du använder följande maskininlärningsmodeller granskar du data innan de vidarebefordras till Poängmodell och använder Rensa saknade data för att ändra saknade värden i indatakolumner.
- Logistic Regression med två klasser
- Two-Class Support Vector Machine (Tvåklassig dator för vektorstöd)
Förväntade indata
| Namn | Typ | Description |
|---|---|---|
| Tränad modell | ILearner-gränssnitt | Tränad förutsägelsemodell |
| Datamängd | Datatabell | Datauppsättning för indatatest |
Utdata
| Namn | Typ | Description |
|---|---|---|
| Poängpoäng för datauppsättning | Datatabell | Datauppsättning med poäng som erhållits |
Undantag
| Undantag | Description |
|---|---|
| Fel 0032 | Undantaget inträffar om argumentet inte är ett tal. |
| Fel 0033 | Undantaget inträffar om argumentet är Infinity. |
| Fel 0003 | Undantag inträffar om en eller flera indata är null eller tomma. |
| Fel 0013 | Undantag inträffar om eleven som skickas till modulen är en ogiltig typ. |