Werkruimtefunctiearchief (verouderd)
Notitie
In deze documentatie wordt de Feature Store voor Werkruimtes behandeld. Werkruimte Feature Store is enkel beschikbaar voor werkruimten die vóór 19 augustus 2024 om 16:00:00 uur (UTC) zijn aangemaakt.
Databricks raadt aan om functie-engineering te gebruiken in Unity Catalog. Feature Store in werkruimtes zal in de toekomst worden uitgefaseerd.
Waarom de functieshop van de werkruimte gebruiken?
Workspace Feature Store is volledig geïntegreerd met andere onderdelen van Azure Databricks.
- Vindbaarheid. Met de gebruikersinterface van de functieopslag, die toegankelijk is vanuit de Databricks-werkruimte, kunt u bladeren en zoeken naar bestaande functies.
- Afstamming. Wanneer u een functietabel maakt in Azure Databricks, worden de gegevensbronnen die worden gebruikt om de functietabel te maken, opgeslagen en toegankelijk. Voor elke functie in een functietabel hebt u ook toegang tot de modellen, notebooks, taken en eindpunten die gebruikmaken van de functie.
- Integratie met het scoren en bedienen van modellen. Wanneer u functies uit Feature Store gebruikt om een model te trainen, wordt het model verpakt met metagegevens van functies. Wanneer u het model gebruikt voor batchgewijs scoren of onlinedeductie, worden functies automatisch opgehaald uit de Feature Store. De beller hoeft deze niet te kennen of logica op te nemen om functies op te zoeken of eraan deel te nemen om nieuwe gegevens te scoren. Dit maakt modelimplementatie en updates veel eenvoudiger.
- Zoekacties naar een bepaald tijdstip. Feature Store biedt ondersteuning voor time series en op gebeurtenissen gebaseerde use cases waarvoor de juistheid van een bepaald tijdstip is vereist.
Hoe werkt de Workspace Feature Store?
De typische machine learning-werkstroom met behulp van Feature Store volgt dit pad:
- Schrijf code om onbewerkte gegevens te converteren naar functies en maak een Spark DataFrame met de gewenste functies.
- Het DataFrame als een kenmerktabel opslaan in de Functieopslag van de Werkruimte.
- Een model trainen met behulp van functies uit het functiearchief. Wanneer u dit doet, slaat het model de specificaties op van functies die worden gebruikt voor training. Wanneer het model wordt gebruikt voor deductie, worden functies uit de juiste functietabellen automatisch samengevoegd.
- Model registreren in modelregister.
U kunt nu het model gebruiken om voorspellingen te doen over nieuwe gegevens. Voor batchgebruiksscenario's haalt het model automatisch de functies op die het nodig heeft uit de Feature Store.
Publiceer de functies in een online winkel voor realtime gebruiksvoorbeelden. Zie online winkels van derden.
Tijdens deductie leest het model vooraf berekende functies uit de online winkel en voegt het deze samen met de gegevens die zijn opgegeven in de clientaanvraag naar het model dat het eindpunt levert.
Aan de slag met Workspace Feature Store
Probeer deze voorbeeldnotitieblokken om aan de slag te gaan. Het basisnotitieblok begeleidt u bij het maken van een functietabel, het gebruiken om een model te trainen en vervolgens batchgewijs scoren uit te voeren met behulp van automatisch zoeken naar functies. Daarnaast maakt u kennis met de gebruikersinterface van Feature Engineering en leert u hoe u deze kunt gebruiken om functies te zoeken en te begrijpen hoe functies worden gemaakt en gebruikt.
Voorbeeldnotitieblok voor de standaardwerkruimtefunctiearchief
Het voorbeeldnotitieblok voor taxi's illustreert het proces van het maken van functies, het bijwerken ervan en het gebruik ervan voor modeltraining en batchdeductie.
Voorbeeldnotitieblok voor werkruimtefunctieopslag
Ondersteunde gegevenstypen
Zie Ondersteunde gegevenstypen voor ondersteunde gegevenstypen.