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 |