Zdieľať cez

Trénovanie modelov so scikit-learn v službe Microsoft Fabric

  • Článok

Tento článok popisuje, ako trénovať a sledovať iterácie modelu scikit-learn. Scikit-learn je populárny rámec strojového učenia typu open-source, ktorý sa často používa na vzdelávanie pod dohľadom a bez dozoru. Architektúra poskytuje nástroje na tvarovanie modelu, predprocesovanie údajov, výber modelu, vyhodnocovanie modelu a ďalšie.

Požiadavky

Nainštalujte si scikit-learn v notebooku. Verziu nástroja scikit-learn vo svojom prostredí môžete nainštalovať alebo inovovať pomocou nasledujúceho príkazu:

pip install scikit-learn

Nastavenie experimentu strojového učenia

Môžete vytvoriť experiment strojového učenia pomocou rozhrania MLFLow API. Funkcia MLflow set_experiment() vytvorí nový experiment strojového učenia s názvom sample-sklearn, ak ešte neexistuje.

Spustite v notebooku nasledujúci kód a vytvorte experiment:

import mlflow

mlflow.set_experiment("sample-sklearn")

Trénovať model scikit-learn

Po nastavení experimentu vytvoríte vzorovú množinu údajov a logistický regresný model. Nasledujúci kód spustí spustenie toku MLflow a sleduje metriky, parametre a finálny logistický regresný model. Po vygenerení konečného modelu môžete uložiť výsledný model, aby ste mohli sledovať viac.

Spustite v poznámkovom počítači nasledujúci kód a vytvorte vzorový model množiny údajov a logistickej regresie:

import mlflow.sklearn
import numpy as np
from sklearn.linear_model import LogisticRegression
from mlflow.models.signature import infer_signature

with mlflow.start_run() as run:

    lr = LogisticRegression()
    X = np.array([-2, -1, 0, 1, 2, 1]).reshape(-1, 1)
    y = np.array([0, 0, 1, 1, 1, 0])
    lr.fit(X, y)
    score = lr.score(X, y)
    signature = infer_signature(X, y)

    print("log_metric.")
    mlflow.log_metric("score", score)

    print("log_params.")
    mlflow.log_param("alpha", "alpha")

    print("log_model.")
    mlflow.sklearn.log_model(lr, "sklearn-model", signature=signature)
    print("Model saved in run_id=%s" % run.info.run_id)

    print("register_model.")
    mlflow.register_model(

        "runs:/{}/sklearn-model".format(run.info.run_id), "sample-sklearn"
    )
    print("All done")

Načítanie a vyhodnotenie modelu vo vzorovej množine údajov

Po uložení modelu ho môžete načítať na odvodenie.

Spustite v poznámkovom počítači nasledujúci kód, načítanie modelu a potom spustite závernosť na vzorovej množine údajov:

# Inference with loading the logged model
from synapse.ml.predict import MLflowTransformer

spark.conf.set("spark.synapse.ml.predict.enabled", "true")

model = MLflowTransformer(
    inputCols=["x"],
    outputCol="prediction",
    modelName="sample-sklearn",
    modelVersion=1,
)

test_spark = spark.createDataFrame(
    data=np.array([-2, -1, 0, 1, 2, 1]).reshape(-1, 1).tolist(), schema=["x"]
)

batch_predictions = model.transform(test_spark)

batch_predictions.show()

Súvisiaci obsah