ML：评分
ML：评分步骤使用由 ML：训练模型训练的模型对数据表进行评分，并写出追加了一个预测列的数据。由于模型是以普通表的形式传入的，因此可以训练一次、评分多个表，也可以在新数据到达时重新评分。该步骤作为受管的 PlaidCloud 作业运行（与 LLM 步骤相同）。
- 数据表——要评分的表。它必须包含模型训练时使用的每个特征列。
- 模型表——由 ML：训练模型步骤写出的模型表。如果该表为空，或存储的模型缺少任何部分，步骤将失败。
- 输出表——写入评分后数据的位置。
- 预测列——追加列的名称。留空则使用
prediction。如果数据表中已存在该名称，步骤将失败。
输出表包含数据表的所有列，外加预测列：分类器为文本类别标签，回归器为数值。特征值的处理方式与训练时完全一致，模型在训练期间从未见过的分类值会被忽略，而不会导致错误。
模型表必须具有 ML：训练模型步骤所写出的结构——完整的模型列集合、已知的算法，以及存储的模型的每个部分都存在。模型本身是在限制条件下加载的，该限制会拒绝标准科学计算库之外的任何内容，因此手工构造的模型行无法运行任意代码。
评分选项部分包含以下字段。转换后的 KNIME 工作流也会使用它们。
- 类别概率列（
probability_column_template）——对于分类器，为每个类别追加一个概率列，列名由此模板生成，其中的{class}会被替换。概率置于预测之前（probabilities_first）会将这些列放在预测列之前，按类别在训练中首次出现的顺序排列（classes_in_domain_order）则按类别在训练数据中首次出现的顺序排列，而不是按排序后的顺序。 - 置信度列（
confidence_column）——对于分类器，以此名称追加获胜类别的概率。 - 方差列（
variance_column）——对于森林回归器，以此名称追加各棵树预测值的方差。 - 模型数量列（
model_count_column）——对于树模型，以此名称追加树的数量。 - 追加列的顺序（
column_order）——追加列的顺序。留空：预测、概率、置信度、方差，然后是模型数量。 - 改为写入（
report）——写出模型自身的某个表，而不是评分后的数据，例如variable_importance、coefficients、statistics、pmml（以 PMML 文档形式表示的模型）、centers、cluster_counts或association_rules。 - 模型格式（
model_format）——pmml使用 PMML 文档进行评分：模型表保存该文档，或保存具有 PMML 形式的学习器的模型。 - 算法设置（
algorithm_settings）——特定于模型算法的评分或报告设置，例如pca模型投影到的成分数量。 - 第三个表（
source_c）——某些算法会读取的第三个表，例如knn_distance模型使用的随机森林。
AI 助手或 REST API 还可以将 report 设置为 shap_values。
限制与注意事项
Section titled “限制与注意事项”- 内存中的工作集——数据表会被读入内存，因此该步骤的目标规模约为每次运行一百万行。
- 转换后的 Alteryx 工作流——转换后的 Predict 工具会将预测列固定为目标变量的名称，并加上
_predicted后缀。
- ML：训练模型——训练此步骤所使用的模型表。
- 迁移 Alteryx 工作流——Alteryx Predict 工具如何转换为此步骤。