Träna och poängsätta modeller med Microsoft Fabric
När du har matat in, utforskat och förbearbetat dina data kan du använda data för att träna en modell. Att träna en modell är en iterativ process och du vill kunna spåra ditt arbete.
Microsoft Fabric integreras med MLflow för att enkelt spåra och logga ditt arbete, så att du kan granska ditt arbete när som helst för att bestämma vilken metod som är bäst för att träna den slutliga modellen. När du spårar ditt arbete är resultatet enkelt reproducerbart.
Allt arbete som du vill spåra kan spåras som experiment.
Förstå experiment
När du tränar en modell i en notebook-fil som du vill spåra skapar du ett experiment i Microsoft Fabric.
Ett experiment kan bestå av flera körningar. Varje körning representerar en uppgift som du har kört i en notebook-fil, som att träna en maskininlärningsmodell.
Om du till exempel vill träna en maskininlärningsmodell för försäljningsprognoser kan du prova olika träningsdatauppsättningar med samma algoritm. Varje gång du tränar en modell med en annan datauppsättning skapar du en ny experimentkörning. Sedan kan du jämföra experimentkörningarna för att fastställa vilken modell som fungerar bäst.
Börja spåra mått
Om du vill jämföra experimentkörningar kan du spåra parametrar, mått och artefakter för varje körning.
Alla parametrar, mått och artefakter som du spårar i en experimentkörning visas i experimentöversikten. Du kan visa experimentkörningar individuellt på fliken Kör information eller jämföra mellan körningar med listan Kör:
Genom att spåra ditt arbete med MLflow kan du jämföra iterationer för modellträning och bestämma vilken konfiguration som resulterade i den bästa modellen för ditt användningsfall.
Förstå modeller
När du har tränat en modell vill du använda den för bedömning. Med bedömning använder du modellen på nya data för att generera förutsägelser eller insikter. När du tränar och spårar en modell med MLflow lagras artefakter i experimentkörningen för att representera din modell och dess metadata. Du kan spara dessa artefakter i Microsoft Fabric som en modell.
Genom att spara dina modellartefakter som en registrerad modell i Microsoft Fabric kan du enkelt hantera dina modeller. När du tränar en ny modell och sparar den under samma namn lägger du till en ny version i modellen.
Använda en modell för att generera insikter
Om du vill använda en modell för att generera förutsägelser kan du använda funktionen PREDICT i Microsoft Fabric. Funktionen PREDICT är byggd för att enkelt integrera med MLflow-modeller och gör att du kan använda modellen för att generera batchförutsägelser.
Varje vecka får du till exempel försäljningsdata från flera butiker. Baserat på historiska data har du tränat en modell som kan förutsäga försäljningen för nästa vecka, baserat på försäljningen under de senaste veckorna. Du spårade modellen med MLflow och sparade den i Microsoft Fabric. När nya veckovisa försäljningsdata kommer in använder du funktionen PREDICT för att låta modellen generera prognosen för nästa vecka. Prognostiserade försäljningsdata lagras som en tabell i ett lakehouse, som visualiseras i en Power BI-rapport som företagsanvändare kan använda.