ML: oceniaj

Opis

Krok ML: oceniaj ocenia tabelę danych za pomocą modelu wytrenowanego przez krok ML: trenuj model i zapisuje dane z jedną dołączoną kolumną predykcji. Ponieważ model trafia do kroku jako zwykła tabela, możesz wytrenować go raz i oceniać wiele tabel albo oceniać ponownie, gdy pojawią się nowe dane. Krok działa jako zarządzane zadanie PlaidCloud (tak jak krok LLM).

ML: oceniaj stosuje zapisany model do nowych wierszy zawierających tylko cechy, dołączając do każdego kolumnę predykcji.

Karta oceny

• Tabela danych — tabela do oceny. Musi zawierać każdą kolumnę cech, na której wytrenowano model.
• Tabela modelu — tabela modelu zapisana przez krok ML: trenuj model. Krok kończy się błędem, jeśli tabela jest pusta lub brakuje którejkolwiek części zapisanego modelu.
• Tabela wyjściowa — miejsce, do którego zapisywane są ocenione dane.
• Kolumna predykcji — nazwa dołączanej kolumny. Pozostaw puste, aby użyć prediction. Krok kończy się błędem, jeśli taka nazwa już istnieje w tabeli danych.

Wynik

Tabela wyjściowa zawiera każdą kolumnę tabeli danych oraz kolumnę predykcji: tekstowe etykiety klas dla klasyfikatorów, wartości liczbowe dla regresorów. Wartości cech są przygotowywane dokładnie tak jak w czasie uczenia, a wartości kategorialne, których model nie widział podczas uczenia, są ignorowane i nie powodują błędu.

Tabela modelu musi mieć postać, którą zapisuje krok ML: trenuj model — pełny zestaw kolumn modelu, znany algorytm i obecność każdej części zapisanego modelu. Sam model jest ładowany z ograniczeniem, które odrzuca wszystko spoza standardowego stosu naukowego, więc ręcznie spreparowany wiersz modelu nie może uruchomić dowolnego kodu.

Więcej kolumn wyjściowych

Sekcja Opcje oceny zawiera następujące pola. Korzystają z nich także przekonwertowane przepływy pracy KNIME.

• Kolumny prawdopodobieństw klas (probability_column_template) — dla klasyfikatora dołącza po jednej kolumnie prawdopodobieństwa dla każdej klasy, nazwanej według tego szablonu, w którym {class} jest zastępowane. Prawdopodobieństwa przed predykcją (probabilities_first) umieszcza je przed kolumną predykcji, a Porządkuj klasy według pierwszego wystąpienia w uczeniu (classes_in_domain_order) porządkuje je według kolejności, w jakiej klasy pierwszy raz występują w danych uczących, zamiast sortować.
• Kolumna pewności (confidence_column) — dla klasyfikatora dołącza pod tą nazwą prawdopodobieństwo klasy zwycięskiej.
• Kolumna wariancji (variance_column) — dla regresora lasu dołącza pod tą nazwą wariancję predykcji drzew.
• Kolumna liczby modeli (model_count_column) — dla modelu drzewa dołącza pod tą nazwą liczbę drzew.
• Kolejność dołączanych kolumn (column_order) — kolejność dołączanych kolumn. Puste: predykcja, prawdopodobieństwa, pewność, wariancja, a następnie liczba modeli.
• Zamiast tego zapisz (report) — zapisuje jedną z własnych tabel modelu zamiast ocenionych danych, na przykład variable_importance, coefficients, statistics, pmml (model jako dokument PMML), centers, cluster_counts lub association_rules.
• Format modelu (model_format) — pmml ocenia za pomocą dokumentu PMML: tabela modelu zawiera dokument albo model uczącego się algorytmu, który ma postać PMML.
• Ustawienia algorytmu (algorithm_settings) — ustawienia oceny lub raportu właściwe dla algorytmu modelu, na przykład liczba składowych, na które rzutuje model pca.
• Trzecia tabela (source_c) — trzecia tabela odczytywana przez niektóre algorytmy, na przykład las losowy używany przez model knn_distance.

Asystent AI lub REST API może także ustawić report na shap_values.

Ograniczenia i zastrzeżenia

• Zestaw roboczy w pamięci — tabela danych jest wczytywana do pamięci, więc krok jest przeznaczony dla około miliona wierszy na uruchomienie.
• Przekonwertowane przepływy pracy Alteryx — przekonwertowane narzędzie Predict ustawia nazwę kolumny predykcji na nazwę zmiennej docelowej z sufiksem _predicted.

Powiązane

• ML: trenuj model — wytrenuj tabelę modelu, którą ten krok wykorzystuje.
• Migracja przepływów pracy Alteryx — jak narzędzia Alteryx Predict są konwertowane na ten krok.