Composant Créer un modèle Python
Cet article décrit un composant dans le concepteur Azure Machine Learning.
Découvrez comment utiliser le composant Create Python Model pour créer un modèle non formé à partir d’un script Python. Vous pouvez baser le modèle sur tout apprenant inclus dans un package Python dans l’environnement du concepteur Azure Machine Learning.
Après avoir créé le modèle, vous pouvez utiliser le module Train Model pour former le modèle sur un jeu de données, comme tout autre apprenant dans Azure Machine Learning. Le modèle formé peut être transmis au module Score Model pour utiliser le modèle afin d’effectuer des prédictions. Vous pouvez ensuite enregistrer le modèle formé et publier le flux de travail de notation en tant que service web.
Avertissement
Pour le moment, il est impossible de connecter ce composant au composant Tune Model Hyperparameters (Optimiser les hyperparamètres du modèle), ou de passer les résultats scorés d’un modèle Python au composant Evaluate Model (Évaluer le modèle). Si vous devez optimiser les hyperparamètres ou évaluer un modèle, vous pouvez écrire un script Python personnalisé à l’aide du composant Execute Python Script (Exécuter un script Python).
Configurer le composant
L’utilisation de ce composant nécessite une connaissance intermédiaire ou approfondie de Python. Le composant prend en charge l’utilisation de tout apprenant qui est inclus dans les packages Python déjà installés dans Azure Machine Learning. Consultez la liste des packages Python préinstallés dans le module Execute Python Script.
Notes
Soyez très prudent lorsque vous écrivez votre script et assurez-vous qu’il n’existe pas d’erreur de syntaxe, telle que l’utilisation d’un objet non déclaré ou d’un composant non importé.
Notes
Portez également une attention particulière à la liste des composants préinstallés dans Exécuter le script Python. Importez uniquement les composants installés. N’installez pas les packages supplémentaires tels que « pip install xgboost » dans ce script, au risque de générer des erreurs lors de la lecture de modèles dans des composants en aval.
Cet article explique comment utiliser le module Créer un modèle Python avec un pipeline simple. Voici un diagramme du pipeline :
- Sélectionnez Créer un modèle Python et modifiez le script pour implémenter votre processus de modélisation ou de gestion des données. Vous pouvez baser le modèle sur tout apprenant inclus dans un package Python dans l’environnement Azure Machine Learning.
Notes
Portez une attention particulière aux commentaires de l’exemple de code du script et vérifiez que votre script respecte strictement la condition, y compris le nom de la classe, les méthodes ainsi que la signature de la méthode. Toute violation entraîne des exceptions. Créer un modèle Python prend en charge uniquement la création d’un modèle sklearn à entraîner à l’aide de Train Model.
L’exemple suivant de code de classifieur Naive Bayes à deux classes utilise le package populaire sklearn :
# The script MUST define a class named Azure Machine LearningModel.
# This class MUST at least define the following three methods:
# __init__: in which self.model must be assigned,
# train: which trains self.model, the two input arguments must be pandas DataFrame,
# predict: which generates prediction result, the input argument and the prediction result MUST be pandas DataFrame.
# The signatures (method names and argument names) of all these methods MUST be exactly the same as the following example.
# Please do not install extra packages such as "pip install xgboost" in this script,
# otherwise errors will be raised when reading models in down-stream components.
import pandas as pd
from sklearn.naive_bayes import GaussianNB
class AzureMLModel:
def __init__(self):
self.model = GaussianNB()
self.feature_column_names = list()
def train(self, df_train, df_label):
# self.feature_column_names records the column names used for training.
# It is recommended to set this attribute before training so that the
# feature columns used in predict and train methods have the same names.
self.feature_column_names = df_train.columns.tolist()
self.model.fit(df_train, df_label)
def predict(self, df):
# The feature columns used for prediction MUST have the same names as the ones for training.
# The name of score column ("Scored Labels" in this case) MUST be different from any other columns in input data.
return pd.DataFrame(
{'Scored Labels': self.model.predict(df[self.feature_column_names]),
'probabilities': self.model.predict_proba(df[self.feature_column_names])[:, 1]}
)
Connecter le composant Create Python Model que vous venez de créer à Train Model et à Score Model.
Si vous devez évaluer le modèle, ajoutez un composant Execute Python Script et modifiez le script Python.
Le script suivant est un exemple de code d’évaluation :
# The script MUST contain a function named azureml_main # which is the entry point for this component. # imports up here can be used to import pandas as pd # The entry point function MUST have two input arguments: # Param<dataframe1>: a pandas.DataFrame # Param<dataframe2>: a pandas.DataFrame def azureml_main(dataframe1 = None, dataframe2 = None): from sklearn.metrics import accuracy_score, precision_score, recall_score, roc_auc_score, roc_curve import pandas as pd import numpy as np scores = dataframe1.ix[:, ("income", "Scored Labels", "probabilities")] ytrue = np.array([0 if val == '<=50K' else 1 for val in scores["income"]]) ypred = np.array([0 if val == '<=50K' else 1 for val in scores["Scored Labels"]]) probabilities = scores["probabilities"] accuracy, precision, recall, auc = \ accuracy_score(ytrue, ypred),\ precision_score(ytrue, ypred),\ recall_score(ytrue, ypred),\ roc_auc_score(ytrue, probabilities) metrics = pd.DataFrame(); metrics["Metric"] = ["Accuracy", "Precision", "Recall", "AUC"]; metrics["Value"] = [accuracy, precision, recall, auc] return metrics,
Étapes suivantes
Consultez les composants disponibles pour Azure Machine Learning.