Exempel på modellträning

Det här avsnittet innehåller exempel som visar hur du tränar maskininlärningsmodeller på Azure Databricks med hjälp av många populära bibliotek med öppen källkod.

Du kan också använda AutoML-, som automatiskt förbereder en datauppsättning för modellträning, utför en uppsättning utvärderingsversioner med bibliotek med öppen källkod, till exempel scikit-learn och XGBoost, och skapar en Python-anteckningsbok med källkoden för varje utvärderingskörning så att du kan granska, återskapa och ändra koden.

Exempel på maskininlärning

Paket	Notebook-filer	Funktioner
scikit-learn	Självstudie om maskininlärning	Unity Catalog, klassificeringsmodell, MLflow, automatisk hyperparameterjustering med Hyperopt och MLflow
scikit-learn	Exempel från slutpunkt till slutpunkt	Unity Catalog, klassificeringsmodell, MLflow, automatisk hyperparameterjustering med Hyperopt och MLflow, XGBoost
MLlib	MLlib-exempel	Binär klassificering, beslutsträd, GBT-regression, strukturerad direktuppspelning, anpassad transformator
xgboost	XGBoost-exempel	Python, PySpark och Scala, arbetsbelastningar med en nod och distribuerad utbildning

Exempel på hyperparameterjustering

Allmän information om justering av hyperparametrar i Azure Databricks finns i Hyperparameterjustering.

Paket	Notebook-fil	Funktioner
Optuna	Kom igång med Optuna	Optuna, distribuerad Optuna, scikit-learn, MLflow
Hyperopt	Distribuerad hyperopt	Distribuerad hyperopt, scikit-learn, MLflow
Hyperopt	Jämföra modeller	Använda distribuerad hyperopt för att söka efter hyperparameterutrymme för olika modelltyper samtidigt
Hyperopt	Distribuerade träningsalgoritmer och hyperopt	Hyperopt, MLlib
Hyperopt	Metodtips för Hyperopt	Metodtips för datauppsättningar av olika storlekar