Modellbetanítási példák

Ez a szakasz példákat tartalmaz, amelyek bemutatják, hogyan taníthat be gépi tanulási modelleket az Azure Databricksben számos népszerű nyílt forráskódú kódtár használatával.

Használhatja az AutoML-t is, amely automatikusan előkészíti az adathalmazt a modell betanítására, próbaidőszakokat hajt végre olyan nyílt forráskódú kódtárak használatával, mint a scikit-learn és az XGBoost, és létrehoz egy Python-jegyzetfüzetet az egyes próbafuttatások forráskódjával, hogy áttekinthesse, reprodukálhassa és módosíthassa a kódot.

Egy példajegyzetfüzet, amely bemutatja, hogyan taníthat be egy olyan gépi tanulási modellt, amely adatokat használ a Unity Katalógusban, és hogyan ír vissza előrejelzéseket a Unity Catalogba, olvassa el a Gépi tanulási modellek betanítása és regisztrálása a Unity Catalogban című témakört.

Gépi tanulási példák

Csomag	Jegyzetfüzet(ek)	Funkciók
scikit-learn	Gépi tanulási oktatóanyag	Besorolási modell, MLflow, automatizált hiperparaméter-finomhangolás Hyperopt és MLflow használatával
scikit-learn	Végpontok közötti példa	Besorolási modell, MLflow, automatizált hiperparaméter-finomhangolás Hyperopt és MLflow használatával, XGBoost, Modellregisztrációs adatbázis, Modellkiszolgáló
MLlib	MLlib-példák	Bináris besorolás, döntési fák, GBT-regresszió, strukturált streamelés, egyéni transzformátor
xgboost	XGBoost-példák	Python, PySpark és Scala, egycsomópontos számítási feladatok és elosztott betanítás

Hiperparaméter-finomhangolási példák

Az Azure Databricks hiperparaméter-finomhangolásával kapcsolatos általános információkért lásd : Hyperparameter tuning.

Csomag	Jegyzetfüzet	Funkciók
Hyperopt	Elosztott hiperopt	Elosztott hyperopt, scikit-learn, MLflow
Hyperopt	Modellek összehasonlítása	Elosztott hiperopt használata a különböző modelltípusok hiperparaméter-területének egyidejű kereséséhez
Hyperopt	Elosztott betanítási algoritmusok és hyperopt	Hyperopt, MLlib
Hyperopt	A Hyperopt ajánlott eljárásai	Ajánlott eljárások különböző méretű adathalmazokhoz