Model pembelajaran mesin di Microsoft Fabric

Model pembelajaran mesin adalah file yang dilatih untuk mengenali jenis pola tertentu. Anda melatih model melalui sekumpulan data, dan Anda menyediakannya dengan algoritma yang digunakan untuk alasan dan belajar dari himpunan data tersebut. Setelah melatih model, Anda dapat menggunakannya untuk alasan atas data yang tidak pernah dilihat sebelumnya, dan membuat prediksi tentang data tersebut.

Dalam MLflow, model pembelajaran mesin dapat menyertakan beberapa versi model. Di sini, setiap versi dapat mewakili iterasi model.

Dalam artikel ini, Anda mempelajari cara:

Membuat model pembelajaran mesin di Microsoft Fabric
Mengelola dan melacak versi model
Membandingkan performa model di seluruh versi
Menerapkan model untuk penilaian dan inferensi

Membuat model pembelajaran mesin

Dalam MLflow, model pembelajaran mesin menyertakan format kemasan standar. Format ini memungkinkan penggunaan model tersebut di berbagai alat hilir, termasuk inferensi batch pada Apache Spark. Format mendefinisikan konvensi untuk menyimpan model dalam "rasa" yang berbeda yang dapat dipahami oleh alat hilir yang berbeda.

Anda dapat langsung membuat model pembelajaran mesin dari UI Fabric. API MLflow juga dapat langsung membuat model.

Untuk membuat model pembelajaran mesin dari UI:

Pilih ruang kerja ilmu data yang sudah ada, atau buat ruang kerja baru.
Buat item baru melalui ruang kerja atau dengan menggunakan tombol Buat:
1. Ruang Kerja
  1. Pilih ruang kerja Anda.
  2. Pilih Item baru.
  3. Pilih Model ML di bawah Analisis dan latih data.
2. Tombol Buat:
  1. Pilih Buat, yang dapat ditemukan di ... dari menu vertikal.
  2. Pilih Model ML di bawah Ilmu Data.
Setelah pembuatan model, Anda dapat mulai menambahkan versi model untuk melacak metrik dan parameter eksekusi. Daftarkan atau simpan eksekusi eksperimen ke model yang ada.

Anda juga dapat membuat model pembelajaran mesin langsung dari pengalaman penulisan Anda dengan mlflow.register_model() API. Jika model pembelajaran mesin terdaftar dengan nama yang diberikan tidak ada, API membuatnya secara otomatis.

import mlflow

model_uri = "runs:/{}/model-uri-name".format(run.info.run_id)
mv = mlflow.register_model(model_uri, "model-name")

print("Name: {}".format(mv.name))
print("Version: {}".format(mv.version))

Mengelola versi dalam model pembelajaran mesin

Model pembelajaran mesin berisi kumpulan versi model untuk pelacakan dan perbandingan yang disederhanakan. Dalam model, ilmuwan data dapat menavigasi di berbagai versi model untuk menjelajahi parameter dan metrik yang mendasar. Ilmuwan data juga dapat membuat perbandingan di seluruh versi model untuk mengidentifikasi apakah model yang lebih baru mungkin memberikan hasil yang lebih baik atau tidak.

Melacak model pembelajaran mesin

Versi model pembelajaran mesin mewakili model individual yang terdaftar untuk pelacakan.

Setiap versi model menyertakan informasi berikut:

Waktu Dibuat: Tanggal dan waktu pembuatan model.
Nama Jalankan: Pengidentifikasi untuk eksekusi eksperimen yang digunakan untuk membuat versi pemodelan khusus ini.
Hyperparameter: Hyperparameter disimpan sebagai pasangan kunci-nilai. Kunci dan nilai adalah berjenis string.
Metrik: Jalankan metrik yang disimpan sebagai pasangan kunci-nilai. Nilainya adalah numerik.
Skema/Tanda Tangan Model: Deskripsi input dan output model.
File yang dicatat: File yang dicatat dalam format apa pun. Misalnya, Anda dapat merekam gambar, lingkungan, model, dan file data.
Tag: Metadata sebagai pasangan kunci-nilai untuk proses menjalankan.

Menerapkan tag ke model pembelajaran mesin

Penandaan MLflow untuk versi model memungkinkan pengguna melampirkan metadata kustom ke versi tertentu dari model terdaftar di MLflow Model Registry. Tag ini, disimpan sebagai pasangan kunci-nilai, membantu mengatur, melacak, dan membedakan antara versi model, sehingga lebih mudah untuk mengelola siklus hidup model. Tag dapat digunakan untuk menunjukkan tujuan model, lingkungan penyebaran, atau informasi relevan lainnya, memfasilitasi manajemen model dan pengambilan keputusan yang lebih efisien dalam tim.

Kode ini menunjukkan cara melatih model RandomForestRegressor menggunakan Scikit-learn, mencatat model dan parameter dengan MLflow, lalu mendaftarkan model di MLflow Model Registry dengan tag kustom. Tag ini menyediakan metadata yang berguna, seperti nama proyek, departemen, tim, dan kuartal proyek, sehingga lebih mudah untuk mengelola dan melacak versi model.

import mlflow.sklearn
from mlflow.models import infer_signature
from sklearn.datasets import make_regression
from sklearn.ensemble import RandomForestRegressor

# Generate synthetic regression data
X, y = make_regression(n_features=4, n_informative=2, random_state=0, shuffle=False)

# Model parameters
params = {"n_estimators": 3, "random_state": 42}

# Model tags for MLflow
model_tags = {
    "project_name": "grocery-forecasting",
    "store_dept": "produce",
    "team": "stores-ml",
    "project_quarter": "Q3-2023"
}

# Log MLflow entities
with mlflow.start_run() as run:
    # Train the model
    model = RandomForestRegressor(**params).fit(X, y)
    
    # Infer the model signature
    signature = infer_signature(X, model.predict(X))
    
    # Log parameters and the model
    mlflow.log_params(params)
    mlflow.sklearn.log_model(model, artifact_path="sklearn-model", signature=signature)

# Register the model with tags
model_uri = f"runs:/{run.info.run_id}/sklearn-model"
model_version = mlflow.register_model(model_uri, "RandomForestRegressionModel", tags=model_tags)

# Output model registration details
print(f"Model Name: {model_version.name}")
print(f"Model Version: {model_version.version}")

Setelah menerapkan tag, Anda dapat melihatnya langsung di halaman detail versi model. Selain itu, tag dapat ditambahkan, diperbarui, atau dihapus dari halaman ini kapan saja.

Membandingkan dan memfilter model pembelajaran mesin

Untuk membandingkan dan mengevaluasi kualitas versi model pembelajaran mesin, Anda dapat membandingkan parameter, metrik, dan metadata antara versi yang dipilih.

Membandingkan model pembelajaran mesin secara visual

Anda dapat membandingkan eksekusi secara visual dalam model yang ada. Perbandingan visual memungkinkan navigasi yang mudah di antara beberapa versi serta pengurutan di seluruh versi tersebut.

Untuk membandingkan pengujian, Anda dapat:

Pilih model pembelajaran mesin yang ada yang berisi beberapa versi.
Pilih tab Tampilan , lalu navigasikan ke tampilan daftar Model . Anda juga dapat memilih opsi untuk Menampilkan daftar model langsung dari tampilan detail.
Anda bisa mengkustomisasi kolom dalam tabel. Perluas panel Kustomisasi kolom . Dari sana, Anda dapat memilih properti, metrik, tag, dan hiperparameter yang ingin Anda lihat.
Terakhir, Anda dapat memilih beberapa versi, untuk membandingkan hasilnya, di panel perbandingan metrik. Dari panel ini, Anda bisa mengkustomisasi bagan dengan perubahan pada judul bagan, jenis visualisasi, sumbu X, sumbu Y, dan lainnya.

Membandingkan model pembelajaran mesin menggunakan API MLflow

Ilmuwan data juga dapat menggunakan MLflow untuk mencari di antara beberapa model yang disimpan dalam ruang kerja. Kunjungi dokumentasi MLflow untuk menjelajahi API MLflow lainnya untuk interaksi model.

from pprint import pprint

client = MlflowClient()
for rm in client.list_registered_models():
    pprint(dict(rm), indent=4)

Menerapkan model pembelajaran mesin

Setelah melatih model pada himpunan data, Anda dapat menerapkan model tersebut ke data yang tidak pernah dilihatnya untuk menghasilkan prediksi. Kami menyebut teknik penggunaan model ini sebagai penilaian atau inferensi.

Langkah berikutnya:

Saran dan Komentar

Apakah halaman ini membantu?

Last updated on 2025-12-10