Exempel på modellträning
Det här avsnittet innehåller exempel som visar hur du tränar maskininlärningsmodeller på Azure Databricks med hjälp av många populära bibliotek med öppen källkod.
Du kan också använda AutoML, som automatiskt förbereder en datauppsättning för modellträning, utför en uppsättning utvärderingsversioner med hjälp av bibliotek med öppen källkod, till exempel scikit-learn och XGBoost, och skapar en Python-anteckningsbok med källkoden för varje utvärderingskörning så att du kan granska, återskapa och ändra koden.
Ett exempel på en notebook-fil som visar hur du tränar en maskininlärningsmodell som använder data i Unity Catalog och skriver förutsägelser tillbaka till Unity Catalog finns i Träna och registrera maskininlärningsmodeller med Unity Catalog.
Exempel på maskininlärning
Paket | Notebook-filer | Funktioner |
---|---|---|
scikit-learn | Självstudie om maskininlärning | Klassificeringsmodell, MLflow, automatisk hyperparameterjustering med Hyperopt och MLflow |
scikit-learn | Exempel från slutpunkt till slutpunkt | Klassificeringsmodell, MLflow, automatisk hyperparameterjustering med Hyperopt och MLflow, XGBoost, Modellregister, Modellservering |
MLlib | MLlib-exempel | Binär klassificering, beslutsträd, GBT-regression, strukturerad direktuppspelning, anpassad transformator |
xgboost | XGBoost-exempel | Python, PySpark och Scala, arbetsbelastningar med en nod och distribuerad utbildning |
Exempel på hyperparameterjustering
Allmän information om justering av hyperparametrar i Azure Databricks finns i Hyperparameterjustering.
Paket | Notebook-fil | Funktioner |
---|---|---|
Hyperopt | Distribuerad hyperopt | Distribuerad hyperopt, scikit-learn, MLflow |
Hyperopt | Jämföra modeller | Använda distribuerad hyperopt för att söka efter hyperparameterutrymme för olika modelltyper samtidigt |
Hyperopt | Distribuerade träningsalgoritmer och hyperopt | Hyperopt, MLlib |
Hyperopt | Metodtips för Hyperopt | Metodtips för datauppsättningar av olika storlekar |