次の方法で共有

Microsoft Fabric で Scikit-learn を使用してモデルをトレーニングする方法

  • [アーティクル]

機械学習の実験 (scikit-learn.org) は、一般的なオープンソースの機械学習フレームワークです。 これは、教師あり学習と教師なし学習でよく使用されます。 また、モデルの調整、データの前処理、モデルの選択、モデルの評価などのさまざまなツールも用意されています。

このセクションでは、Scikit-learn モデルのイテレーションをトレーニングおよび追跡する方法の例について説明します。

Scikit-learn をインストールする

Scikit-learn の使用を開始するには、ノートブック内にインストールされていることを確認する必要があります。 次のコマンドを使用して、自分の環境で Scikit-learn のバージョンをインストールまたはアップグレードできます。

%pip install scikit-learn

次に、MLFLow API を使用して機械学習の実験を作成します。 MLflow set_experiment() API は、機械学習の実験がまだ存在しない場合は新しい機械学習の実験を作成します。

import mlflow

mlflow.set_experiment("sample-sklearn")

scikit-learn モデルをトレーニングする

実験が作成されたら、サンプル データセットを作成し、ロジスティック回帰モデルを作成します。 また、MLflow の実行を開始し、メトリック、パラメータ、および最終的なロジスティック回帰モデルを追跡します。 最終的なモデルを生成したら、追加の追跡のために結果のモデルも保存します。

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")

サンプル データセットでモデルを読み込んで評価する

モデルが保存されたら、推論のためにモデルを読み込むこともできます。 これを行うには、モデルを読み込み、サンプル データセットで推論を実行します。

# 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()

関連するコンテンツ