모델 학습 예제
이 섹션에는 많은 인기 있는 오픈 소스 라이브러리를 사용하여 Azure Databricks에서 기계 학습 모델을 학습시키는 방법을 보여 주는 예제가 포함되어 있습니다.
또한 AutoML을 사용하여 모델 학습을 위한 데이터 세트를 자동으로 준비하고, scikit-learns 및 XGBoost와 같은 오픈 소스 라이브러리를 사용하여 일련의 평가판을 수행하고, 각 평가판 실행에 대한 소스 코드가 포함된 Python Notebook을 만들어 코드를 검토, 복제 및 수정할 수 있습니다.
기계 학습 예제
Package(패키지) | Notebook | 기능 |
---|---|---|
scikit-learn | 기계 학습 자습서 | Unity 카탈로그, 분류 모델, MLflow, Hyperopt 및 MLflow를 사용한 자동화된 하이퍼 매개 변수 튜닝 |
scikit-learn | 엔드 투 엔드 예제 | Unity 카탈로그, 분류 모델, MLflow, Hyperopt 및 MLflow를 사용한 자동화된 하이퍼 매개 변수 튜닝, XGBoost |
MLlib | MLlib 예제 | 이진 분류, 의사 결정 트리, GBT 회귀, Structured Streaming, 사용자 지정 변환기 |
xgboost | XGBoost 예제 | Python, PySpark 및 Scala, 단일 노드 워크로드 및 분산 학습 |
하이퍼 매개 변수 튜닝 예제
Azure Databricks의 하이퍼 매개 변수 튜닝에 대한 일반적인 내용은 하이퍼 매개 변수 튜닝을 참조하세요.
Package(패키지) | Notebook | 기능 |
---|---|---|
Hyperopt | 분산 hyperopt | 분산 hyperopt, scikit-learn, MLflow |
Hyperopt | 모델 비교 | 분산 hyperopt를 사용하여 서로 다른 모델 형식에 대한 하이퍼 매개 변수 공간을 동시에 검색 |
Hyperopt | 분산 학습 알고리즘 및 hyperopt | Hyperopt, MLlib |
Hyperopt | Hyperopt 모범 사례 | 다양한 크기의 데이터 세트에 대한 모범 사례 |
피드백
https://aka.ms/ContentUserFeedback
출시 예정: 2024년 내내 콘텐츠에 대한 피드백 메커니즘으로 GitHub 문제를 단계적으로 폐지하고 이를 새로운 피드백 시스템으로 바꿀 예정입니다. 자세한 내용은 다음을 참조하세요.다음에 대한 사용자 의견 제출 및 보기