Udostępnij za pośrednictwem

Trenowanie modeli za pomocą biblioteki scikit-learn w usłudze Microsoft Fabric

  • Artykuł

W tym artykule opisano sposób trenowania i śledzenia iteracji modelu scikit-learn. Scikit-learn to popularna platforma uczenia maszynowego typu open source często używana do uczenia nadzorowanego i nienadzorowanego. Platforma udostępnia narzędzia do dopasowywania modeli, przetwarzania wstępnego danych, wyboru modelu, oceny modelu i nie tylko.

Wymagania wstępne

Zainstaluj bibliotekę scikit-learn w notesie. Możesz zainstalować lub uaktualnić wersję biblioteki scikit-learn w środowisku przy użyciu następującego polecenia:

pip install scikit-learn

Konfigurowanie eksperymentu uczenia maszynowego

Eksperyment uczenia maszynowego można utworzyć przy użyciu interfejsu API MLFLow. Funkcja MLflow set_experiment() tworzy nowy eksperyment uczenia maszynowego o nazwie sample-sklearn, jeśli jeszcze nie istnieje.

Uruchom następujący kod w notesie i utwórz eksperyment:

import mlflow

mlflow.set_experiment("sample-sklearn")

Trenowanie modelu scikit-learn

Po skonfigurowaniu eksperymentu utworzysz przykładowy zestaw danych i model regresji logistycznej. Poniższy kod uruchamia przebieg platformy MLflow i śledzi metryki, parametry i końcowy model regresji logistycznej. Po wygenerowaniu końcowego modelu można zapisać wynikowy model, aby uzyskać więcej śledzenia.

Uruchom następujący kod w notesie i utwórz przykładowy zestaw danych i model regresji logistycznej:

import mlflow.sklearn
import numpy as np
from sklearn.linear_model import LogisticRegression
from mlflow.models.signature import infer_signature

with mlflow.start_run() as run:

    lr = LogisticRegression()
    X = np.array([-2, -1, 0, 1, 2, 1]).reshape(-1, 1)
    y = np.array([0, 0, 1, 1, 1, 0])
    lr.fit(X, y)
    score = lr.score(X, y)
    signature = infer_signature(X, y)

    print("log_metric.")
    mlflow.log_metric("score", score)

    print("log_params.")
    mlflow.log_param("alpha", "alpha")

    print("log_model.")
    mlflow.sklearn.log_model(lr, "sklearn-model", signature=signature)
    print("Model saved in run_id=%s" % run.info.run_id)

    print("register_model.")
    mlflow.register_model(

        "runs:/{}/sklearn-model".format(run.info.run_id), "sample-sklearn"
    )
    print("All done")

Ładowanie i ocenianie modelu w przykładowym zestawie danych

Po zapisaniu modelu można załadować go do wnioskowania.

Uruchom następujący kod w notesie i załaduj model, a następnie uruchom wnioskowanie w przykładowym zestawie danych:

# Inference with loading the logged model
from synapse.ml.predict import MLflowTransformer

spark.conf.set("spark.synapse.ml.predict.enabled", "true")

model = MLflowTransformer(
    inputCols=["x"],
    outputCol="prediction",
    modelName="sample-sklearn",
    modelVersion=1,
)

test_spark = spark.createDataFrame(
    data=np.array([-2, -1, 0, 1, 2, 1]).reshape(-1, 1).tolist(), schema=["x"]
)

batch_predictions = model.transform(test_spark)

batch_predictions.show()

Powiązana zawartość