Sdílet prostřednictvím

Trénování modelů scikit-learn v Microsoft Fabric

  • Článek

Tento článek popisuje, jak trénovat a sledovat iterace modelu scikit-learn. Scikit-learn je oblíbená opensourcová architektura strojového učení, která se často používá pro učení pod dohledem a bez dohledu. Tato architektura poskytuje nástroje pro přizpůsobení modelu, předběžné zpracování dat, výběr modelu, vyhodnocení modelu a další.

Požadavky

Nainstalujte si v poznámkovém bloku soubor scikit-learn. Verzi scikit-learn ve svém prostředí můžete nainstalovat nebo upgradovat pomocí následujícího příkazu:

pip install scikit-learn

Nastavení experimentu strojového učení

Experiment strojového učení můžete vytvořit pomocí rozhraní MLFLow API. Funkce MLflow set_experiment() vytvoří nový experiment strojového učení s názvem sample-sklearn, pokud ještě neexistuje.

V poznámkovém bloku spusťte následující kód a vytvořte experiment:

import mlflow

mlflow.set_experiment("sample-sklearn")

Trénování modelu scikit-learn

Po nastavení experimentu vytvoříte ukázkovou datovou sadu a model logistické regrese. Následující kód spustí spuštění MLflow a sleduje metriky, parametry a konečný logistický regresní model. Po vygenerování konečného modelu můžete výsledný model uložit pro další sledování.

V poznámkovém bloku spusťte následující kód a vytvořte vzorovou datovou sadu a logistický regresní model:

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")

Načtení a vyhodnocení modelu u ukázkové datové sady

Po uložení modelu ho můžete načíst pro odvozování.

V poznámkovém bloku spusťte následující kód a načtěte model a pak spusťte odvození ukázkové datové sady:

# 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()

Související obsah