モデルのスコア付け

トレーニング済みの分類または回帰モデルの予測をスコア付けします

カテゴリ: Machine Learning/スコア

モジュールの概要

この記事では、Machine Learning Studio (クラシック) でモデルのスコア付けモジュールを使用して、トレーニング済みの分類または回帰モデルを使用して予測を生成する方法について説明します。

モデルのスコア付けを使用する方法

1. Studio ( クラシック) の 実験にモデルのスコア付けモジュールを追加します。

2. トレーニング済みモデルと新しい入力データを含むデータセットを接続します。

   データは、使用するトレーニング済みモデルの種類と互換性のある形式でなければなりません。 また、一般に、入力データセットのスキーマはモデルのトレーニングに使用されたデータのスキーマと一致している必要があります。

3. 実験を実行します。

結果

モデルのスコア付けを使用してスコアのセットを生成したら、次の操作を実行します。

• モデルの精度 (パフォーマンス) を評価するために使用される一連のメトリックを生成するために、 スコア付けされたデータセットをモデルの評価に接続できます。
• モジュールを右クリックし、[視覚化] を選択 して結果のサンプルを表示します。
• データセットに結果を保存します。

スコア (予測値) は、モデルと入力データに応じて、さまざまな形式になります。

• 分類モデルの場合、モデルのスコア付けは、クラスの予測値および予測値の確率を出力します。
• 回帰モデルの場合、モデルのスコア付けは予測される数値のみを生成します。
• 画像分類モデルの場合、スコアは画像内のオブジェクトのクラス、または特定の特徴が検出されたかどうかを示すブール値です。

Web サービスとしてスコアを公開する

スコア付けの一般的な用途は、予測 Web サービスの一部として出力を返すことです。 詳細については、Azure ML Studio (クラシック) での実験に基づいて Web サービスを作成する方法に関するML参照してください。

• Azure ML Studio (クラシック) から Web サービスを発行する

例

実験用ワークフローでモデルのスコア付けを使用する方法の例については、次のAzure AI Gallery。

• 二項分類モデルの比較
• 多クラス分類モデルの比較
• 複数の回帰モデルの比較

テクニカル ノート

モデルのスコア付けでサポートされていないモデル

次のような特定の種類のモデルのいずれかを使用する場合は、これらのカスタム スコアリング モジュールのいずれかの使用が必要になる場合があります。

• クラスタリング モデルのスコア付け: [クラスターにデータを 割り当てる] を使用します。

• レコメンダーを評価するためのレコメンダーの作成またはデータの生成: マッチボックス レコメンダーのスコア 付け

使用上のヒント

スコア付けしているデータに欠損値が含まれていると、多くの場合、行全体にスコアがまったく生成されません。

次の機械学習モデルでは、データに欠損値がないことが前提となります。 次の機械学習モデルを使用する場合は、モデルのスコア付けに渡す前にデータを確認し、見つからないデータのクリーンアップを使用して入力列の欠損値を修正します。

• 2 クラス ロジスティック回帰
• 2 クラス サポート ベクター マシン

想定される入力

出力

例外

こちらもご覧ください

Evaluate
モデルのトレーニング
マッチボックス レコメンダーのスコアリング