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 kontrolovat, reprodukovat a upravovat kód.

Příklady strojového učení

Balíček	Poznámkové bloky	Funkce
scikit-learn	Kurz strojového učení	Katalog Unity, klasifikační model, MLflow, automatizované ladění hyperparametrů s Hyperoptem a MLflow
scikit-learn	Kompletní příklad	Katalog Unity, klasifikační model, MLflow, automatizované ladění hyperparametrů s Hyperopt a MLflow, XGBoost
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	Notebook	Funkce
Optuna	Začínáme s Optuna	Optuna, distributed Optuna, scikit-learn, MLflow
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