通过

机器学习 - 评估

  • 项目

重要

对机器学习工作室（经典）的支持将于 2024 年 8 月 31 日结束。 建议在该日期之前转换到 Azure 机器学习。

从 2021 年 12 月 1 日开始，你将无法创建新的机器学习工作室（经典）资源。 在 2024 年 8 月 31 日之前，可继续使用现有的机器学习工作室（经典）资源。

ML 工作室（经典）文档即将停用，将来可能不会更新。

本文介绍 机器学习 Studio (经典) 中可用于评估机器学习模型的模块。 训练完成后执行模型评估，以测量预测的准确性并评估模型拟合。

注意

仅适用于：仅机器学习 Studio (经典)

可在 Azure 机器学习设计器中获取类似的拖放模块。

本文还介绍了 机器学习 Studio (经典) 中用于模型创建、训练、评估和评分的整个过程。

在 机器学习 Studio (经典) 中创建和使用机器学习模型

机器学习的典型工作流包括以下阶段：

  1. 选择合适的算法并设置初始选项。
  2. 使用兼容数据训练模型。
  3. 使用基于模型中模式的新数据创建预测。
  4. 评估模型以确定预测是否准确、错误量以及是否过度拟合。

机器学习 Studio (经典) 支持灵活的可自定义机器学习框架。 此过程中的每个任务都由特定类型的模块执行。 可以修改、添加或删除模块，而不会破坏其余实验。

使用此类别中的模块评估现有模型。 模型评估通常需要某种结果数据集。 如果没有评估数据集，可以通过评分生成结果。 还可以使用测试数据集或包含“地面真相”或已知预期结果的其他一组数据。

有关模型评估的详细信息

通常，在评估模型时，选项取决于要评估的模型类型和要使用的指标。 这些主题列出了一些最常用的指标：

机器学习 Studio (经典) 还提供各种可视化效果，具体取决于所使用的模型类型以及模型预测的类数。 有关查找这些可视化效果的帮助，请参阅 查看评估指标。

解释这些统计信息通常需要更深入地了解训练模型的特定算法。 有关如何评估模型以及如何解释每个度量值返回的值，请参阅如何评估机器学习中的模型性能。

模块列表

机器学习 - 评估类别包含以下模块：

  • 交叉验证模型：通过对数据进行分区来交叉验证分类或回归模型的参数估计值。

    如果要测试训练集和模型的有效性，请使用 交叉验证模型 模块。 交叉验证将数据分区为折叠，然后针对折叠组合测试多个模型。

  • 评估模型：使用标准指标评估评分的分类或回归模型。

    在大多数情况下，将使用泛型 评估模型 模块。 如果模型基于受支持的分类或回归算法之一，则尤其如此。

  • 评估推荐器：评估推荐器模型预测的准确性。

    对于建议模型，请使用 “评估推荐器” 模块。

  • 对于聚类分析模型，请使用 “将数据分配到群集” 模块。 然后，使用该模块中的可视化效果查看评估结果。
  • 可以创建自定义评估指标。 若要创建自定义评估指标，请在 “执行 R 脚本 ”模块中提供 R 代码，或在 “执行 Python 脚本 ”模块中提供 Python 代码。 如果要使用作为开源库的一部分发布的指标，或者想要设计自己的指标来测量模型准确性，则此选项非常有用。

示例

解释机器学习模型评估的结果是一种艺术。 除了数据和业务问题外，它还需要了解数学结果。 建议查看以下文章，了解如何解释不同方案中的结果：

技术说明

本部分包含实现详情、使用技巧和常见问题解答。

查看评估指标

了解在 机器学习 Studio (经典) 中查找每个模型类型的指标图表的位置。

双类分类模型

二进制分类模型的默认视图包括交互式 ROC 图表和主体指标的值表。

An interactive ROC chart and a table of values for the principal metrics in binary classification models

有两个选项可用于查看二元分类模型：

  • 右键单击模块输出，然后选择“ 可视化”。
  • 右键单击该模块，选择 “评估结果”，然后选择“ 可视化”。

还可以使用滑块更改概率 阈值 。 阈值确定结果是否应接受为 true。 然后，可以看到这些值的变化。

多类分类模型

多类分类模型的默认指标视图包括所有类的混淆矩阵，以及整个模型的一组指标。

有两个选项可用于查看多类分类模型：

  • 右键单击模块输出，然后选择“ 可视化”。
  • 右键单击该模块，选择 “评估结果”，然后选择“ 可视化”。

为简单起见，下面是并排显示的两个结果：

Metrics table and Confusion Matrix for multiclass classification models

回归模型

回归模型的指标视图因创建的模型类型而异。 指标视图基于基础算法接口，最适合模型指标。

有两个选项可用于查看回归模型：

  • 若要查看表中的准确性指标，请右键单击 “评估模型” 模块的输出，然后选择“ 可视化”。
  • 若要查看包含值的错误直方图，请右键单击该模块，选择 “评估结果”，然后选择“ 可视化”。

Error Histogram and Metrics table for linear regression models

“错误直方图”视图可帮助你了解错误分布方式。 它针对以下模型类型提供，并包含默认指标表，例如根平均平方错误 (RMSE) 。

以下回归模型生成默认指标表以及一些自定义指标：

用于处理数据的使用技巧

若要从 机器学习 Studio (经典) UI 中提取数字，可以使用新的 PowerShell 库进行机器学习。 可以从整个试验或单个模块获取元数据和其他信息。

若要从 评估模型 模块中提取值，必须向模块添加唯一注释，以便更轻松地识别。 然后，使用 Download-AmlExperimentNodeOutput cmdlet 从 JSON 格式的可视化效果中获取指标及其值。

有关详细信息，请参阅 使用 PowerShell 创建机器学习模型。

另请参阅