Udostępnij za pośrednictwem

Trenowanie modeli prognozowania przy użyciu interfejsu API języka Python rozwiązania AutoML

  • Artykuł

W tym artykule pokazano, jak wytrenować model za pomocą rozwiązania AutoML przy użyciu interfejsu API języka Python w języku AutoML. Aby uzyskać więcej informacji, zobacz Dokumentację interfejsu API języka Python rozwiązania AutoML.

Interfejs API udostępnia funkcje umożliwiające rozpoczęcie klasyfikacji, regresji i prognozowania przebiegów automatycznego uczenia maszynowego. Każde wywołanie funkcji trenuje zestaw modeli i generuje notes wersji próbnej dla każdego modelu.

Zobacz Wymagania dotyczące eksperymentów rozwiązania AutoML.

Konfigurowanie eksperymentu przy użyciu interfejsu API rozwiązania AutoML

W poniższych krokach ogólnie opisano sposób konfigurowania eksperymentu zautomatyzowanego uczenia maszynowego przy użyciu interfejsu API:

  1. Utwórz notes i dołącz go do klastra z uruchomioną usługą Databricks Runtime ML.

  2. Zidentyfikuj tabelę, której chcesz użyć z istniejącego źródła danych, lub przekaż plik danych do systemu plików DBFS i utwórz tabelę.

  3. Aby uruchomić przebieg rozwiązania AutoML, użyj automl.regress()funkcji , automl.classify()lub automl.forecast() i przekaż tabelę wraz z innymi parametrami trenowania. Aby wyświetlić wszystkie funkcje i parametry, zobacz Dokumentacja interfejsu API języka Python rozwiązania AutoML.

    Uwaga

    Funkcja automl.forecast() jest dostępna tylko do prognozowania w przypadku klasycznych obliczeń.

    Na przykład:

    # Regression example
summary = automl.regress(dataset=train_pdf, target_col="col_to_predict")

# Classification example
summary = automl.classification(dataset=train_pdf, target_col="col_to_predict")

# Forecasting example
summary = automl.forecast(dataset=train_pdf, target_col="col_to_predic", time_col="date_col", horizon=horizon, frequency="d", output_database="default")

  4. Po rozpoczęciu uruchamiania rozwiązania AutoML w konsoli pojawi się adres URL eksperymentu MLflow. Użyj tego adresu URL, aby monitorować postęp przebiegu. Odśwież eksperyment MLflow, aby zobaczyć wersje próbne po zakończeniu.

  5. Po zakończeniu działania rozwiązania AutoML:

  • Użyj linków w podsumowaniu danych wyjściowych, aby przejść do eksperymentu MLflow lub notesu, który wygenerował najlepsze wyniki.
  • Użyj linku do notesu eksploracji danych, aby uzyskać wgląd w dane przekazane do rozwiązania AutoML. Możesz również dołączyć ten notes do tego samego klastra i uruchomić go ponownie, aby odtworzyć wyniki lub przeprowadzić dodatkową analizę danych.
  • Użyj obiektu podsumowania zwróconego z wywołania rozwiązania AutoML, aby zapoznać się z bardziej szczegółowymi informacjami na temat prób lub załadować model wytrenowany przez daną wersję próbną. Dowiedz się więcej o obiekcie AutoMLSummary.
  • Sklonuj dowolny wygenerowany notes z wersji próbnej i uruchom go ponownie, dołączając go do tego samego klastra, aby odtworzyć wyniki. Możesz również wprowadzić niezbędne zmiany, uruchomić je ponownie, aby wytrenować dodatkowe modele i zalogować je do tego samego eksperymentu.

Importowanie notesu

Aby zaimportować notes zapisany jako artefakt MLflow, użyj interfejsu databricks.automl.import_notebook API języka Python. Aby uzyskać więcej informacji, zobacz Importowanie notesu

Rejestrowanie i wdrażanie modelu

Możesz zarejestrować i wdrożyć model wytrenowany przez rozwiązanie AutoML tak samo jak każdy zarejestrowany model w rejestrze modeli MLflow; Zobacz Rejestrowanie, ładowanie, rejestrowanie i wdrażanie modeli MLflow.

Brak modułu o nazwie pandas.core.indexes.numeric

Podczas obsługi modelu utworzonego przy użyciu rozwiązania AutoML z obsługą modelu może wystąpić błąd: No module named pandas.core.indexes.numeric.

Jest to spowodowane niezgodną pandas wersją między rozwiązaniem AutoML a modelem obsługującym środowisko punktu końcowego. Aby naprawić ten błąd:

  1. Pobierz skrypt add-pandas-dependency.py. Skrypt edytuje element requirements.txt i conda.yaml dla zarejestrowanego modelu, aby zawierał odpowiednią pandas wersję zależności: pandas==1.5.3.
  2. Zmodyfikuj skrypt, aby uwzględnić run_id przebieg MLflow, w którym zarejestrowano model.
  3. Ponowne wyrejestrowanie modelu do rejestru modeli MLflow.
  4. Spróbuj użyć nowej wersji modelu MLflow.

Przykład notesu

W poniższym notesie przedstawiono sposób prognozowania za pomocą rozwiązania AutoML.

Przykładowy notes prognozowania automatycznego uczenia maszynowego

Pobierz notes

Następne kroki

Dokumentacja interfejsu API języka Python rozwiązania AutoML.