Příklady trénování modelů

Tato část obsahuje příklady, které ukazují, jak trénovat modely strojového učení v Azure Databricks pomocí mnoha oblíbených opensourcových knihoven.

Můžete také použít AutoML, který automaticky připraví datovou sadu pro trénování modelu, provede sadu zkušebních verzí pomocí opensourcových knihoven, jako jsou scikit-learn a XGBoost, a vytvoří poznámkový blok Pythonu se zdrojovým kódem pro každé zkušební spuštění, abyste mohli kód zkontrolovat, reprodukovat a upravit.

Ukázkový poznámkový blok, který ukazuje, jak vytrénovat model strojového učení, který používá data v katalogu Unity a zapisovat předpovědi zpět do katalogu Unity, najdete v tématu Trénování a registrace modelů strojového učení v Katalogu Unity.

Příklady strojového učení

Balíček	Poznámkové bloky	Funkce
scikit-learn	Kurz strojového učení	Klasifikační model, MLflow, automatizované ladění hyperparametrů s Hyperoptem a MLflow
scikit-learn	Kompletní příklad	Klasifikační model, MLflow, automatizované ladění hyperparametrů s Hyperopt a MLflow, XGBoost, Registr modelů, Obsluha modelů
MLlib	Příklady knihovny MLlib	Binární klasifikace, rozhodovací stromy, regrese GBT, strukturované streamování, vlastní transformátor
xgboost	Příklady XGBoost	Python, PySpark a Scala, úlohy s jedním uzlem a distribuované trénování

Příklady ladění hyperparametrů

Obecné informace o ladění hyperparametrů v Azure Databricks najdete v tématu Ladění hyperparametrů.

Balíček	Poznámkový blok	Funkce
Hyperopt	Distribuovaný hyperopt	Distribuovaný hyperopt, scikit-learn, MLflow
Hyperopt	Porovnání modelů	Použití distribuovaného hyperoptu k vyhledání prostoru hyperparametrů pro různé typy modelů současně
Hyperopt	Distribuované trénovací algoritmy a hyperopt	Hyperopt, MLlib
Hyperopt	Osvědčené postupy pro Hyperopt	Osvědčené postupy pro datové sady různých velikostí