Przykłady trenowania modelu

Ta sekcja zawiera przykłady przedstawiające sposób trenowania modeli uczenia maszynowego w usłudze Azure Databricks przy użyciu wielu popularnych bibliotek typu open source.

Możesz również użyć rozwiązania AutoML, który automatycznie przygotowuje zestaw danych do trenowania modelu, wykonuje zestaw prób przy użyciu bibliotek typu open source, takich jak scikit-learn i XGBoost, oraz tworzy notes języka Python z kodem źródłowym dla każdego przebiegu wersji próbnej, aby można było przeglądać, odtwarzać i modyfikować kod.

Przykłady uczenia maszynowego

Pakiet	Notesy	Funkcje
scikit-learn	Samouczek dotyczący uczenia maszynowego	Katalog aparatu Unity, model klasyfikacji, MLflow, automatyczne dostrajanie hiperparametrów za pomocą funkcji Hyperopt i MLflow
scikit-learn	Przykład kompleksowego	Katalog aparatu Unity, model klasyfikacji, MLflow, automatyczne dostrajanie hiperparametrów za pomocą biblioteki Hyperopt i MLflow, XGBoost
MLlib	Przykłady biblioteki MLlib	Klasyfikacja binarna, drzewa decyzyjne, regresja GBT, przesyłanie strumieniowe ze strukturą, przekształcanie niestandardowe
xgboost	Przykłady biblioteki XGBoost	Python, PySpark i Scala, obciążenia z jednym węzłem i rozproszone trenowanie

Przykłady dostrajania hiperparametrów

Aby uzyskać ogólne informacje na temat dostrajania hiperparametrów w usłudze Azure Databricks, zobacz Dostrajanie hiperparametrów.

Pakiet	Notes	Funkcje
Optuna	Wprowadzenie do platformy Optuna	Optuna, distributed Optuna, scikit-learn, MLflow
Hyperopt	Rozproszona funkcja hyperopt	Rozproszona funkcja hyperopt, scikit-learn, MLflow
Hyperopt	Porównywanie modeli	Używanie rozproszonej funkcji hyperopt do wyszukiwania przestrzeni hiperparametrów dla różnych typów modeli jednocześnie
Hyperopt	Rozproszone algorytmy trenowania i hiperopt	Hyperopt, MLlib
Hyperopt	Najlepsze rozwiązania dotyczące funkcji Hyperopt	Najlepsze rozwiązania dotyczące zestawów danych o różnych rozmiarach