Machine Learning - Punteggio

Questa sezione elenca i moduli forniti in Machine Learning Studio (versione classica) per l'assegnazione dei punteggi.

L'assegnazione dei punteggi è detta anche stima ed è il processo di generazione di valori basati su un modello di Machine Learning con training, dati alcuni nuovi dati di input. I valori o i punteggi creati possono rappresentare stime dei valori futuri, ma possono anche rappresentare una categoria o un risultato probabile. Il significato del punteggio dipende dal tipo di dati forniti e dal tipo di modello creato.

Creare e usare modelli in Machine Learning Studio (versione classica)

Il flusso di lavoro tipico per Machine Learning include queste fasi:

• Scelta di un algoritmo appropriato e impostazione delle opzioni iniziali.
• Training del modello su dati compatibili.
• Creazione di stime usando nuovi dati, in base ai modelli nel modello.
• Valutazione del modello per determinare se le stime sono accurate, quanto errore è presente e se è presente un overfitting.

Machine Learning Studio (versione classica) supporta un framework flessibile e personalizzabile per Machine Learning. Ogni attività in questo processo viene eseguita da un tipo specifico di modulo, che può essere modificato, aggiunto o rimosso, senza interrompere il resto dell'esperimento.

I moduli in questa sezione includono strumenti per l'assegnazione dei punteggi. In questa fase di Machine Learning si applica un modello con training ai nuovi dati per generare stime. È possibile inviare tali stime a un'applicazione che utilizza i risultati di Machine Learning oppure usare i risultati dell'assegnazione dei punteggi per valutare l'accuratezza e l'utilità del modello.

Altre informazioni sull'assegnazione dei punteggi

L'assegnazione dei punteggi è ampiamente usata in Machine Learning per indicare il processo di generazione di nuovi valori, dato un modello e un nuovo input. Viene usato il termine generico "score" anziché "prediction", perché il processo di assegnazione dei punteggi può generare così tanti tipi diversi di valori:

• Elenco di elementi consigliati e un punteggio di somiglianza.
• Valori numerici, per i modelli time series e i modelli di regressione.
• Valore di probabilità che indica la probabilità che un nuovo input appartenga a una categoria esistente.
• Nome di una categoria o di un cluster a cui un nuovo elemento è più simile.
• Classe o risultato previsto, per i modelli di classificazione.

Quando si aggiunge uno di questi moduli nell'esperimento, è necessario collegare un modello di Machine Learning già con training e alcuni nuovi dati. Quando si esegue l'esperimento o il modulo selezionato, il modulo di assegnazione dei punteggi inserisce i nuovi dati, calcola i punteggi in base al modello e restituisce i punteggi in una tabella.

Dati usati per l'assegnazione dei punteggi

I nuovi dati forniti come input devono in genere avere le stesse colonne usate per eseguire il training del modello, meno l'etichetta o la colonna del risultato.

Le colonne usate esclusivamente come identificatori vengono in genere escluse durante il training di un modello e pertanto devono essere escluse anche durante l'assegnazione dei punteggi. Tuttavia, gli identificatori, ad esempio le chiavi primarie, possono essere facilmente combinati con il set di dati di assegnazione dei punteggi in un secondo momento, usando il modulo Aggiungi colonne. Questo modulo funziona senza dover specificare una chiave di join, purché le dimensioni del set di dati non sono state modificate.

Prima di eseguire l'assegnazione dei punteggi al set di dati, verificare sempre la presenza di valori e valori Null mancanti. Quando i dati usati come input per l'assegnazione dei punteggi hanno valori mancanti, i valori mancanti vengono usati come input. Poiché i valori Null vengono propagati, il risultato è in genere un valore mancante.

Elenco di moduli di assegnazione dei punteggi

Machine Learning Studio (versione classica) offre molti moduli di punteggio diversi. È possibile selezionarne uno a seconda del tipo di modello in uso o del tipo di attività di assegnazione dei punteggi che si sta eseguendo:

• Applica trasformazione: applica una trasformazione dati ben specificata a un set di dati.

  Usare questo modulo per applicare un processo salvato a un set di dati.

• Assegna dati ai cluster: assegna i dati ai cluster usando un modello di clustering con training esistente.

  Usare questo modulo se si desidera eseguire il clustering di nuovi dati in base a un modello di clustering K-Means esistente.

  Questo modulo sostituisce il modulo Assegna a cluster (deprecato), deprecato ma ancora disponibile per l'uso negli esperimenti esistenti.

• Score Matchbox Recommender(Strumento consigliatore matchbox punteggio): consente di segnare le stime per un set di dati usando lo strumento di raccomandazione Matchbox.

  Usare questo modulo se si vogliono generare raccomandazioni, trovare elementi o utenti correlati o stimare le classificazioni.

• Punteggio modello: punteggi di stime per una classificazione o un modello di regressione con training.

  Usare questo modulo per tutti gli altri modelli di regressione e classificazione, nonché per alcuni modelli di rilevamento anomalie.

Attività correlate

• Sono disponibili moduli di assegnazione dei punteggi speciali per Vowpal Wabbit. Vedere Analisi del testo.
• È possibile segnare per classi speciali di immagini in modelli con training preliminare usando la libreria OpenCV.
• Il modulo Rilevamento anomalie della serie temporale genera punteggi che rappresentano le potenziali deviazioni da una tendenza.

Esempio

Questi esempi nel Azure AI Gallery illustrano il processo di assegnazione dei punteggi, dagli scenari di base a avanzati:

• Classificazione binaria per direct marketing: illustra il flusso di lavoro di base per l'assegnazione dei punteggi, in uno scenario in cui il valore previsto è la risposta del cliente a una campagna di marketing.

• Predict Book Reviews: punteggio sui dati di testo. Usa un modello di regressione logistica.

• Learning con Conteggi: mostra come usare la funzionalità basata sul conteggio per eseguire stime.

• Assegnazione di punteggi in batch senza codice con App per la logica e Machine Learning: illustra il processo end-to-end di training e assegnazione dei punteggi, automatizzato con la funzionalità App per la logica di Servizio app di Azure.

Gli articoli seguenti forniscono esempi reali di come usare un modello di Machine Learning per l'assegnazione dei punteggi:

• Sviluppare una soluzione predittiva

• Analisi della sopravvivenza

• Rilevamento anomalie

• Analisi del sentiment basata su dizionario

Vedi anche

• Categorie e descrizioni dei moduli
• Esecuzione del training
• Punteggio
• Valuta