Beispiele für das Modelltraining

Dieser Abschnitt enthält Beispiele zum Trainieren von Machine Learning-Modellen in Azure Databricks mithilfe vieler gängiger Open-Source-Bibliotheken.

Sie können auch AutoML verwenden. Damit wird automatisch ein Dataset für das Modelltraining vorbereitet, eine Reihe von Testversionen mit Open-Source-Bibliotheken wie Scikit-learn und XGBoost ausgeführt und ein Python-Notebook mit dem Quellcode für jede Testausführung erstellt, damit Sie den Code überprüfen, reproduzieren und ändern können.

Ein Beispielnotebook, das das Trainieren eines Machine Learning-Modells veranschaulicht, das Daten in Unity Catalog verwendet und Vorhersagen zurück in Unity Catalog schreibt, finden Sie unter Trainieren und Registrieren eines Machine Learning-Modells mit Unity Catalog.

Beispiele für Machine Learning

Paket	Notebook(s)	Features
scikit-learn	Machine Learning-Tutorial	Klassifizierungsmodell, MLflow, automatisierte Hyperparameteroptimierung mit Hyperopt und MLflow
scikit-learn	End-to-End-Beispiel	Klassifizierungsmodell, MLflow, automatisierte Hyperparameteroptimierung mit Hyperopt und MLflow, XGBoost, Modellregistrierung, Modellbereitstellung
MLlib	MLlib-Beispiele	Binärklassifizierung, Entscheidungsstrukturen, GBT-Regression, strukturiertes Streaming, benutzerdefinierter Transformator
xgboost	XGBoost-Beispiele	Python, PySpark und Scala, Einzelknoten-Workloads und verteiltes Training

Hyperparameter-Optimierungsbeispiele

Allgemeine Informationen zur Hyperparameteroptimierung in Azure Databricks finden Sie unter Hyperparameteroptimierung.

Paket	Notebook	Features
Hyperopt	Hyperopt (verteilt)	Hyperopt (verteilt), Scikit-learn, MLflow
Hyperopt	Vergleichen von Modellen	Verwenden von Hyperopt (verteilt) zum gleichzeitigen Durchsuchen des Hyperparameterraums für verschiedene Modelltypen
Hyperopt	Verteilte Trainingsalgorithmen und Hyperopt	Hyperopt, MLlib
Hyperopt	Hyperopt: bewährte Methoden	Bewährte Methoden für Datasets unterschiedlicher Größe