Jak trénovat modely pomocí scikit-learn v Microsoft Fabric

(Scikit-learn) je oblíbená opensourcová architektura strojového učení. Scikit-learn se často používá pro učení pod dohledem a bez dohledu. Poskytuje také nástroje pro přizpůsobení modelu, předběžné zpracování dat, výběr modelu, vyhodnocení modelu a další.

Tato část představuje příklad, který ukazuje, jak trénovat a sledovat iterace modelu Scikit-Learn.

Instalace nástroje scikit-learn

Nejprve musíte ověřit, jestli je v poznámkovém bloku nainstalovaný soubor scikit-learn. Verzi scikit-learn ve svém prostředí můžete nainstalovat nebo upgradovat pomocí tohoto příkazu:

%pip install scikit-learn

Nastavení experimentu strojového učení

Vytvořte experiment strojového učení pomocí rozhraní MLFLow API. Rozhraní API set_experiment() MLflow vytvoří nový experiment strojového učení, pokud ještě neexistuje.

import mlflow

mlflow.set_experiment("sample-sklearn")

Trénování modelu scikit-learn

Po vytvoření experimentu vytvoříme ukázkovou datovou sadu a vytvoříme model logistické regrese. Spustíme běh MLflow a budeme sledovat metriky, parametry a konečný logistický regresní model. Jakmile vygenerujeme konečný model, uložíme výsledný model pro další sledování.

import mlflow.sklearn
import numpy as np
from sklearn.linear_model import LogisticRegression
from mlflow.models.signature import infer_signature

with mlflow.start_run() as run:

    lr = LogisticRegression()
    X = np.array([-2, -1, 0, 1, 2, 1]).reshape(-1, 1)
    y = np.array([0, 0, 1, 1, 1, 0])
    lr.fit(X, y)
    score = lr.score(X, y)
    signature = infer_signature(X, y)

    print("log_metric.")
    mlflow.log_metric("score", score)

    print("log_params.")
    mlflow.log_param("alpha", "alpha")

    print("log_model.")
    mlflow.sklearn.log_model(lr, "sklearn-model", signature=signature)
    print("Model saved in run_id=%s" % run.info.run_id)

    print("register_model.")
    mlflow.register_model(

        "runs:/{}/sklearn-model".format(run.info.run_id), "sample-sklearn"
    )
    print("All done")

Načtení a vyhodnocení modelu u ukázkové datové sady

Jakmile model uložíme, můžeme ho načíst pro odvozování. K tomu načteme model a spustíme odvozování u ukázkové datové sady.

# Inference with loading the logged model
from synapse.ml.predict import MLflowTransformer

spark.conf.set("spark.synapse.ml.predict.enabled", "true")

model = MLflowTransformer(
    inputCols=["x"],
    outputCol="prediction",
    modelName="sample-sklearn",
    modelVersion=1,
)

test_spark = spark.createDataFrame(
    data=np.array([-2, -1, 0, 1, 2, 1]).reshape(-1, 1).tolist(), schema=["x"]
)

batch_predictions = model.transform(test_spark)

batch_predictions.show()

Související obsah

• Seznamte se s modely strojového učení.
• Seznamte se s experimenty strojového učení.