次の方法で共有

AutoML を使用した回帰

  • [アーティクル]

AutoML を使用して、最適な回帰アルゴリズムとハイパーパラメーター構成を自動的に検索し、連続する数値 valuesを予測します。

UI を使用して回帰実験をSetする

回帰の問題は、AutoML UI を使って次の手順でsetできます。

  1. サイド バーで、[実験] をselectします。

  2. [回帰] カードで、[トレーニングの開始] をselectします。

    [AutoML 実験の構成] ページが表示されます。 このページでは、AutoML プロセスを構成し、予測するデータセット、問題の種類、ターゲットまたはラベルの column、実験の実行の評価とスコア付けに使用するメトリック、および停止条件を指定します。

  3. [コンピューティング] フィールドで、Databricks Runtime ML が実行されているクラスターをselectします。

  4. [データセット] の下の [参照] をselectします。

  5. 使用する table に移動し、[Select] をクリックします。 tableschema が表示されます。

    注意

    既定以外の補完方法を指定した場合、AutoML ではセマンティック型の検出は実行されません。

  6. [予測ターゲット] フィールドをクリックします。 schemaに表示される columns が一覧表示されたドロップダウンが表示されます。 モデルで予測するcolumnをSelectします。

  7. [実験名フィールド] には、既定の名前が表示されます。 変更するには、フィールドに新しい名前を入力します。

さらに、以下を実行できます。

詳細な構成

これらのparametersにアクセスするには、[詳細な構成 (省略可能)] セクションを開きます。

  • 評価メトリックは、実行のスコア付けに使用されるプライマリ メトリックです。
  • Databricks Runtime 10.4 LTS ML 以降では、トレーニング フレームワークを考慮事項から除外できます。 既定では、AutoML では [AutoML アルゴリズム] の下に一覧表示されているフレームワークを使用してモデルがトレーニングされます。
  • 停止条件は編集できます。 既定の停止条件は次のとおりです。
    • 予測実験の場合は、120 分後に停止します。
    • Databricks Runtime 10.4 LTS ML 以下での分類と回帰の実験の場合は、60 分経過後または 200 個の試用版完了後のうち、どちらか早い方で停止します。 Databricks Runtime 11.0 ML 以上の場合は、試行回数は停止条件として使用されません。
    • Databricks Runtime 10.4 LTS ML 以降では、分類と回帰の実験のために、AutoML には早期停止が組み込まれており、検証メトリックにそれ以上の改善が見込まれなくなった場合に、モデルのトレーニングとチューニングが停止されます。
  • Databricks Runtime 10.4 LTS ML 以降では、select を time column することで、トレーニング、検証、テストのデータを時系列順に分割できます（の分類 と の回帰にのみ適用されます）。
  • Databricks では、[データ ディレクトリ] フィールドには値を設定しないことをお勧めします。 それを行うと、MLflow 成果物としてデータセットを安全に格納する既定の動作がトリガーされます。 DBFS パスを指定できますが、この場合、データセットは AutoML 実験のアクセス許可を継承しません。

実験を実行して結果を確認する

AutoML 実験を開始するには、[AutoML の起動] をクリックします。 実験の実行が始まり、AutoML トレーニング ページが表示されます。 実行tableをrefreshするには、[Refresh] ボタン をクリックします。

実験の進行状況を表示する

このページからは、次のことを行うことができます。

  • 任意のタイミングで、実験を停止します。
  • データ探索ノートブックを開きます。
  • 実行を監視します。
  • 任意の実行の実行ページに移動します。

Databricks Runtime 10.1 ML 以降では、AutoML には、サポートされていない column の種類やカーディナリティの高い columnsなど、データセットに関する潜在的な問題に関する警告が表示されます。

注意

Databricks では、潜在的なエラーや問題を示すための最大限の取り組みが行われます。 ただし、これは包括的ではなく、検索対象の問題やエラーをキャプチャしない可能性があります。

データセットについての警告を表示するには、トレーニング ページまたは実験が完了した後の実験ページの [警告] タブをクリックします。

AutoML の警告

結果の表示

実験が完了すると、次の操作を実行できます。

  • MLflow で、モデルのいずれかの 登録およびデプロイ を行います。
  • [最適なモデルのノートブックを表示] をSelectして、最適なモデルの作成に使われたノートブックを確認および編集します。
  • Selectデータ探索ノートブック を表示して、データ探索ノートブックを開きます。
  • 実行table内の実行の検索、フィルター処理、並べ替えを行います。
  • 次の操作により、任意の実行の詳細を参照します。
    • 生成されたノートブック (試験実行のソース コードを含む) を見つけるには、MLflow 実行をクリックします。 ノートブックは、実行ページの Artifacts セクションに保存されます。 ワークスペース管理者が成果物のダウンロードを有効にしている場合、このノートブックをダウンロードしてワークスペースにインポートできます。
    • 実行結果を表示するには、[モデル]column または [開始時刻]columnをクリックします。 実行ページが表示され、試用の実行 (parameters、メトリック、タグなど) と、実行によって作成された成果物 (モデルを含む) に関する情報が表示されます。 このページには、モデルで予測を行うために使用できるコード スニペットも含まれています。

このAutoML実験に後で戻るためには、実験ページのtableでを見つけてください。 データ探索やトレーニング ノートブックを含む各 AutoML 実験の結果は、実験を実行したユーザーのdatabricks_automl内の フォルダーに格納されます。

モデルを登録してデプロイする

モデルの登録とデプロイは、AutoML UI で次のように行います。

  1. モデルcolumn のモデルを登録するためのリンクを Select にします。 実行が完了すると、一番上の行に (プライマリ メトリックに基づく) 最適なモデルが表示されます。
  2. Selectモデルを に登録するためのボタン を登録します。
  3. サイド バーの [モデル] アイコン [モデル] をSelectして、モデル レジストリに移動します。
  4. モデル table内のモデルの名前をSelectします。
  5. 登録済みのモデルのページから、Model Serving を使用してモデルを提供できます。

'pandas.core.indexes.numeric' という名前のモジュールはありません

AutoML と Model Serving を使用して構築されたモデルを提供すると、エラー No module named 'pandas.core.indexes.numeric が発生することがあります。

これは、AutoML とモデル サービングのエンドポイント環境との間の互換性のない pandas バージョンが原因です。 このエラーは、add-pandas-dependency.py スクリプトを実行することで解決できます。 このスクリプトは、ログに記録されたモデルの requirements.txt と conda.yaml を編集して、適切な pandas 依存関係バージョン pandas==1.5.3 を含めます

  1. モデルがログされた MLflow 実行の run_id を含むように、スクリプトを変更します。
  2. モデルを MLflow モデル レジストリに再登録します。
  3. MLflow モデルの新しいバージョンをサービングしてみてください。

次のステップ