機器學習分數
重要
Machine Learning 工作室 (傳統) 的支援將於 2024 年 8 月 31 日結束。 建議您在該日期之前轉換成 Azure Machine Learning。
自 2021 年 12 月 1 日起，您將無法建立新的 Machine Learning 工作室 (傳統) 資源。 在 2024 年 8 月 31 日之前，您可以繼續使用現有的 Machine Learning 工作室 (傳統) 資源。
ML 工作室 (傳統) 文件即將淘汰，未來將不再更新。
本節列出機器學習 Studio (傳統) 中提供的模組以進行評分。
計分也稱為預測，而且是根據定型的機器學習模型產生值的程式，並提供一些新的輸入資料。 所建立的值或分數可以代表未來值的預測，但也可能代表可能的類別或結果。 分數的意義取決於您所提供的資料類型，以及您所建立的模型類型。
在機器學習 Studio (傳統) 中建立及使用模型
機器學習服務的一般工作流程包括下列階段：
- 選擇適當的演算法，並設定初始選項。
- 針對相容的資料定型模型。
- 根據模型中的模式，使用新的資料建立預測。
- 評估模型以判斷預測是否正確、有多少錯誤，以及是否有任何過度學習。
機器學習 Studio (傳統) 支援適用于機器學習的彈性、可自訂架構。 此程式中的每個工作都是由特定類型的模組所執行，這些類型可以修改、新增或移除，而不會中斷實驗的其餘部分。
本節中的模組包含用於計分的工具。 在機器學習服務的這個階段中，您會將定型的模型套用至新資料，以產生預測。 您可以將這些預測傳送到取用機器學習結果的應用程式，或使用計分的結果來評估模型的精確度和實用性。
深入瞭解評分
評分廣泛用於機器學習，以表示產生新值的程式，並提供模型和一些新的輸入。 泛型詞彙「分數」是使用的，而不是「預測」，因為計分程式可能會產生許多不同類型的值：
- 建議的專案清單和相似性分數。
- 數值，適用于時間序列模型和回歸模型。
- 機率值，指出新的輸入屬於某個現有類別的可能性。
- 新專案最相似之類別或叢集的名稱。
- 分類模型的預測類別或結果。
注意
您可能也聽說過用來表示資料分析結果所指派之加權或值的文字 分數 。 不過，在機器學習 Studio (傳統) 中，計分通常代表從新資料產生預測值的程式。
當您在實驗中新增其中一個模組時，您必須附加已定型的機器學習模型，以及一些新的資料。 當您執行實驗或選取的模組時，計分模組會內嵌新的資料，根據模型計算分數，並傳回資料表中的分數。
用於計分的資料
您提供做為輸入的新資料通常需要具有用來定型模型的相同資料行，減去標籤或結果資料行。
用來當做識別碼使用的資料行通常會在定型模型時排除，因此也應該在評分時排除。 不過，您可以使用 [ 加入資料行 ] 模組，在稍後輕鬆地將識別碼（例如主鍵）與評分資料集重新合併。 只要資料集大小未變更，此模組就不需要指定聯結索引鍵即可運作。
在您對資料集執行評分之前，請一律檢查遺漏值和 null。 當用來作為計分輸入的資料有遺漏值時，會使用遺漏值做為輸入。 因為會傳播 null，所以結果通常是遺漏值。
計分模組清單
機器學習 Studio (傳統) 提供許多不同的計分模組。 您可以根據所使用的模型類型，或您正在執行的評分工作類型，來選取一個：
套用轉換：將妥善指定的資料轉換套用至資料集。
您可以使用此模組將儲存的進程套用至一組資料。
將資料指派給群集：使用現有的定型群集模型將資料指派給群集。
如果您想要根據現有的 K 表示叢集模型來建立新資料的叢集，請使用此模組。
此模組會取代指派給叢集 (淘汰的) 模組，該模組已被取代，但仍可在現有的實驗中使用。
計分 Matchbox 推薦：使用 Matchbox 推薦來計分資料集的預測。
如果您想要產生建議、尋找相關的專案或使用者，或預測評等，請使用此模組。
評分模型：定型分類或回歸模型的分數預測。
將此模組用於所有其他回歸和分類模型，以及一些異常偵測模型。
相關工作
- 提供 Vowpal Wabbit 的特殊評分模組。 請參閱文字分析。
- 您可以使用 OpenCV 程式庫，對預先定型模型上的特殊影像類別進行評分。
- 時間序列異常偵測模組會產生表示趨勢可能偏差的分數。
範例
Azure AI 資源庫中的這些範例示範評分的程式，從基本到先進的案例：
直接行銷的二元分類：示範評分的基本工作流程，在預測值為客戶對行銷活動的回應案例中。
預測書籍評論：對文字資料進行評分。 使用羅吉斯回歸模型。
Learning計數：示範如何使用以計數為基礎的特徵化來進行預測。
使用 Logic Apps 和機器學習的無程式碼批次計分：說明定型和評分的端對端程式，並使用 Azure App 服務的 Logic Apps 功能自動化。
下列文章提供如何使用機器學習模型進行評分的真實世界範例：