Partilhar via

Treinar modelos de classificação com AutoML Python API

  • Artigo

Este artigo demonstra como treinar um modelo com AutoML usando a API Python AutoML. Consulte Referência da API do AutoML Python para obter mais detalhes.

A API fornece funções para iniciar a classificação, regressão e previsão de execuções do AutoML. Cada chamada de função treina um conjunto de modelos e gera um bloco de anotações de avaliação para cada modelo.

Consulte Requisitos para experimentos AutoML.

Configurar um experimento usando a API AutoML

As etapas a seguir geralmente descrevem como configurar um experimento AutoML usando a API:

  1. Crie um bloco de anotações e anexe-o a um cluster que executa o Databricks Runtime ML.

  2. Identifique qual tabela você deseja usar de sua fonte de dados existente ou carregue um arquivo de dados para o DBFS e crie uma tabela.

  3. Para iniciar uma execução do AutoML, use a automl.regress()função , automl.classify()ou automl.forecast() e passe a tabela, juntamente com quaisquer outros parâmetros de treinamento. Para ver todas as funções e parâmetros, consulte Referência da API do AutoML Python.

    Nota

    A automl.forecast() função só está disponível para previsão em computação clássica.

    Por exemplo:

    # 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. Quando a execução do AutoML começa, uma URL de experimento MLflow aparece no console. Use este URL para monitorar o progresso da execução. Atualize o experimento MLflow para ver as avaliações à medida que são concluídas.

  5. Após a conclusão da execução do AutoML:

  • Use os links no resumo de saída para navegar até o experimento MLflow ou o bloco de anotações que gerou os melhores resultados.
  • Use o link para o bloco de anotações de exploração de dados para obter informações sobre os dados passados para o AutoML. Você também pode anexar este bloco de anotações ao mesmo cluster e executá-lo novamente para reproduzir os resultados ou fazer análises de dados adicionais.
  • Use o objeto de resumo retornado da chamada AutoML para explorar mais detalhes sobre as avaliações ou para carregar um modelo treinado por uma determinada avaliação. Saiba mais sobre o objeto AutoMLSummary.
  • Clone qualquer bloco de anotações gerado a partir das avaliações e execute-o novamente anexando-o ao mesmo cluster para reproduzir os resultados. Você também pode fazer as edições necessárias, executá-las novamente para treinar modelos adicionais e registrá-las no mesmo experimento.

Importar um bloco de notas

Para importar um bloco de anotações salvo como um artefato MLflow, use a API do databricks.automl.import_notebook Python. Para obter mais informações, consulte Importar bloco de anotações

Registrar e implantar um modelo

Você pode registrar e implantar seu modelo treinado pelo AutoML como qualquer modelo registrado no registro do modelo MLflow; consulte Registrar, carregar, registrar e implantar modelos MLflow.

Nenhum módulo nomeado pandas.core.indexes.numeric

Ao servir um modelo construído usando AutoML com Model Serving, você pode obter o erro: No module named pandas.core.indexes.numeric.

Isso ocorre devido a uma versão incompatível pandas entre o AutoML e o modelo que serve o ambiente de ponto final. Para resolver o erro:

  1. Faça o download do script add-pandas-dependency.py. O script edita o requirements.txt e conda.yaml para seu modelo registrado para incluir a versão de dependência apropriada pandas : pandas==1.5.3.
  2. Modifique o script para incluir o run_id da execução do MLflow onde o modelo foi registrado.
  3. Registre novamente o modelo no registro do modelo MLflow.
  4. Tente servir a nova versão do modelo MLflow.

Exemplo de bloco de notas

O bloco de anotações a seguir mostra como fazer a classificação com o AutoML.

Bloco de notas de exemplo de classificação AutoML

Obter o bloco de notas

Próximos passos

Referência da API Python do AutoML.