Beispiele für das Modelltraining

Dieser Abschnitt enthält Beispiele zum Trainieren von Machine Learning-Modellen in Azure Databricks mithilfe vieler gängiger Open-Source-Bibliotheken.

Sie können auch Mosaik AutoML verwenden, das automatisch ein Dataset für die Modellschulung vorbereitet, eine Reihe von Testversionen mithilfe von Open-Source-Bibliotheken wie scikit-learn und XGBoost durchführt und ein Python-Notizbuch mit dem Quellcode für jede Testausführung erstellt, sodass Sie den Code überprüfen, reproduzieren und ändern können.

Beispiele für Machine Learning

Paket	Notebook(s)	Features
scikit-learn	Machine Learning-Tutorial	Unity Catalog, Klassifizierungsmodell, MLflow, automatisierte Hyperparameteroptimierung mit Hyperopt und MLflow
scikit-learn	End-to-End-Beispiel	Unity Catalog, Klassifizierungsmodell, MLflow, automatisierte Hyperparameteroptimierung mit Hyperopt und MLflow, XGBoost
MLlib	MLlib-Beispiele	Binärklassifizierung, Entscheidungsstrukturen, GBT-Regression, strukturiertes Streaming, benutzerdefinierter Transformator
xgboost	XGBoost-Beispiele	Python, PySpark und Scala, Einzelknoten-Workloads und verteiltes Training

Hyperparameter-Optimierungsbeispiele

Allgemeine Informationen zur Hyperparameteroptimierung in Azure Databricks finden Sie unter Hyperparameteroptimierung.

Paket	Notebook	Features
Optuna	Erste Schritte mit Optuna	Optuna, verteiltes Optuna, Scikit-learn, MLflow
Hyperopt	Hyperopt (verteilt)	Hyperopt (verteilt), Scikit-learn, MLflow
Hyperopt	Vergleichen von Modellen	Verwenden von Hyperopt (verteilt) zum gleichzeitigen Durchsuchen des Hyperparameterraums für verschiedene Modelltypen
Hyperopt	Verteilte Trainingsalgorithmen und Hyperopt	Hyperopt, MLlib
Hyperopt	Hyperopt: bewährte Methoden	Bewährte Methoden für Datasets unterschiedlicher Größe