Trenowanie i ocenianie modeli za pomocą usługi Microsoft Fabric
Po pozyskiwaniu, eksplorowaniu i wstępnie przetworzonych danych możesz użyć tych danych do wytrenowania modelu. Trenowanie modelu jest procesem iteracyjnym i chcesz mieć możliwość śledzenia pracy.
Usługa Microsoft Fabric integruje się z rozwiązaniem MLflow, aby łatwo śledzić i rejestrować swoją pracę, umożliwiając przeglądanie pracy w dowolnym momencie w celu podjęcia decyzji, jakie jest najlepsze podejście do trenowania końcowego modelu. Podczas śledzenia pracy wyniki można łatwo odtworzyć.
Wszelkie prace, które chcesz śledzić, można śledzić jako eksperymenty.
Omówienie eksperymentów
Za każdym razem, gdy wytrenujesz model w notesie, który chcesz śledzić, utworzysz eksperyment w usłudze Microsoft Fabric.
Eksperyment może składać się z wielu przebiegów. Każdy przebieg reprezentuje zadanie wykonywane w notesie, takie jak trenowanie modelu uczenia maszynowego.
Aby na przykład wytrenować model uczenia maszynowego na potrzeby prognozowania sprzedaży, możesz wypróbować różne zestawy danych szkoleniowych przy użyciu tego samego algorytmu. Za każdym razem, gdy trenujesz model przy użyciu innego zestawu danych, tworzysz nowy przebieg eksperymentu. Następnie możesz porównać przebiegi eksperymentów, aby określić model o najlepszej wydajności.
Rozpoczynanie śledzenia metryk
Aby porównać przebiegi eksperymentów, możesz śledzić parametry, metryki i artefakty dla każdego przebiegu.
Wszystkie parametry, metryki i artefakty śledzone w przebiegu eksperymentu są wyświetlane w omówieniu eksperymentów. Przebiegi eksperymentów można wyświetlić indywidualnie na karcie Szczegóły przebiegu lub porównać między przebiegami z listą Uruchom:
Śledząc pracę z platformą MLflow, możesz porównać iterację trenowania modelu i zdecydować, która konfiguracja spowodowała najlepszy model dla danego przypadku użycia.
Omówienie modeli
Po wytrenowania modelu chcesz go użyć do oceniania. W przypadku oceniania używasz modelu na nowych danych do generowania przewidywań lub szczegółowych informacji. Podczas trenowania i śledzenia modelu za pomocą biblioteki MLflow artefakty są przechowywane w ramach przebiegu eksperymentu w celu reprezentowania modelu i jego metadanych. Te artefakty można zapisać w usłudze Microsoft Fabric jako modelu.
Zapisując artefakty modelu jako zarejestrowany model w usłudze Microsoft Fabric, można łatwo zarządzać modelami. Za każdym razem, gdy wytrenujesz nowy model i zapiszesz go pod tą samą nazwą, dodasz nową wersję do modelu.
Generowanie szczegółowych informacji przy użyciu modelu
Aby użyć modelu do generowania przewidywań, możesz użyć funkcji PREDICT w usłudze Microsoft Fabric. Funkcja PREDICT została utworzona w celu łatwej integracji z modelami MLflow i umożliwia korzystanie z modelu do generowania przewidywań wsadowych.
Na przykład co tydzień otrzymujesz dane sprzedaży z kilku sklepów. Na podstawie danych historycznych wytrenowaliśmy model, który może przewidzieć sprzedaż w przyszłym tygodniu na podstawie sprzedaży z ostatnich kilku tygodni. Model został śledzony za pomocą biblioteki MLflow i zapisany w usłudze Microsoft Fabric. Za każdym razem, gdy pojawi się nowe tygodniowe dane sprzedaży, użyjesz funkcji PREDICT, aby umożliwić modelowi wygenerowanie prognozy na następny tydzień. Prognozowane dane sprzedaży są przechowywane jako tabela w usłudze Lakehouse, która jest wizualizowane w raporcie usługi Power BI dla użytkowników biznesowych do użycia.