Exemples d’entraînement de modèle

Cette section inclut des exemples montrant comment entraîner des modèles Machine Learning sur Azure Databricks à l’aide de nombreuses bibliothèques open source populaires.

Vous pouvez également utiliser AutoML, qui prépare automatiquement un jeu de données pour l’entraînement du modèle, effectue un ensemble d’essais à l’aide de bibliothèques open source telles que scikit-learn et XGBoost, et crée un bloc-notes Python avec le code source pour chaque exécution d’évaluation afin de pouvoir passer en revue, reproduire et modifier le code.

Exemples de machine learning

Paquet	Ordinateur portable(s)	Fonctionnalités
scikit-learn	Didacticiel sur le Machine Learning	Catalogue Unity, modèle de classification, MLflow, réglage automatisé des hyperparamètres avec Hyperopt et MLflow
scikit-learn	Exemple de bout en bout	Catalogue Unity, modèle de classification, MLflow, réglage automatisé des hyperparamètres avec Hyperopt et MLflow, XGBoost
MLlib	Exemples de MLlib	Classification binaire, arbres de décision, régression GBT, Structured Streaming, transformateur personnalisé
xgboost	Exemples de XGBoost	Python, PySpark et Scala, charges de travail à nœud unique et entraînement distribué

Exemple de réglage des hyperparamètres

Pour plus d’informations générales sur le réglage des hyperparamètres dans Azure Databricks, consultez Réglage des hyperparamètres.

Note

La version open source de Hyperopt n’est plus conservée.

Hyperopt n’est pas inclus dans Databricks Runtime pour Machine Learning après 16.4 LTS ML. Azure Databricks recommande d’utiliser Optuna pour l’optimisation à nœud unique ou RayTune pour une expérience similaire à la fonctionnalité d’optimisation distribuée d’hyperparamètres hyperopt déconseillée. En savoir plus sur l’utilisation de RayTune sur Azure Databricks.

Paquet	Ordinateur portable	Fonctionnalités
Optuna	Bien démarrer avec Optuna	Optuna, Optuna distribué, scikit-learn, MLflow
Hyperopt	Hyperopt distribué	Hyperopt distribué, scikit-learn, MLflow
Hyperopt	Comparer des modèles	Utiliser l’hyperopt distribué pour rechercher simultanément l’espace des hyperparamètres de différents types de modèles
Hyperopt	Algorithmes d’entraînement distribué et hyperopt	Hyperopt, MLlib
Hyperopt	Bonnes pratiques pour Hyperopt	Bonnes pratiques pour les jeux de données de différentes tailles