evento
Junte-se a nós na FabCon Vegas
31/03, 23 - 2/04, 23
O melhor evento liderado pela comunidade Microsoft Fabric, Power BI, SQL e AI. 31 de março a 2 de abril de 2025.
Registe-se hoje mesmoEste browser já não é suportado.
Atualize para o Microsoft Edge para tirar partido das mais recentes funcionalidades, atualizações de segurança e de suporte técnico.
Este artigo demonstra como treinar um modelo com AutoML usando a API Python AutoML. Consulte Referência da API do AutoML Python para obter mais detalhes.
A API fornece funções para iniciar a classificação, regressão e previsão de execuções do AutoML. Cada chamada de função treina uma set de modelos e gera um caderno de teste para cada modelo.
Consulte Requisitos para experimentos AutoML.
As etapas a seguir geralmente descrevem como set um experimento AutoML usando a API:
Crie um bloco de anotações e anexe-o a um cluster que executa o Databricks Runtime ML.
Identifique quais table pretende usar da sua fonte de dados existente ou carregue um arquivo de dados para o DBFS e crie um table.
Para iniciar uma execução do AutoML, use a função automl.regress()
, automl.classify()
ou automl.forecast()
e passe o table, juntamente com qualquer outro parametersde treinamento. Para ver todas as funções e parameters, consulte a referência da API Python do AutoML .
Nota
A automl.forecast()
função só está disponível para previsão em computação clássica.
Por exemplo:
# Regression example
summary = automl.regress(dataset=train_pdf, target_col="col_to_predict")
# Classification example
summary = automl.classification(dataset=train_pdf, target_col="col_to_predict")
# Forecasting example
summary = automl.forecast(dataset=train_pdf, target_col="col_to_predic", time_col="date_col", horizon=horizon, frequency="d", output_database="default")
Quando a execução do AutoML começa, uma URL de experimento MLflow aparece no console. Use este URL para monitorar o progresso da execução. Refresh o experimento MLflow para ver as experiências à medida que são concluídas.
Após a conclusão da execução do AutoML:
Para importar um bloco de anotações salvo como um artefato MLflow, use a API do databricks.automl.import_notebook
Python. Para obter mais informações, consulte Importar bloco de anotações
Você pode registar e implantar o seu modelo treinado pelo AutoML como qualquer outro modelo registado no registo de modelos do MLflow; consulte Registar, carregar e registar modelos no MLflow.
Ao servir um modelo construído usando AutoML com Model Serving, você pode get o erro: No module named pandas.core.indexes.numeric
.
Isso ocorre devido a uma versão incompatível pandas
entre o AutoML e o modelo que serve o ambiente de ponto final. Para resolver o erro:
requirements.txt
e conda.yaml
para seu modelo registrado para incluir a versão de dependência apropriada pandas
: pandas==1.5.3
.run_id
da execução do MLflow where onde o seu modelo foi registado.O bloco de anotações a seguir mostra como fazer a classificação com o AutoML.
Referência da API Python do AutoML.
evento
Junte-se a nós na FabCon Vegas
31/03, 23 - 2/04, 23
O melhor evento liderado pela comunidade Microsoft Fabric, Power BI, SQL e AI. 31 de março a 2 de abril de 2025.
Registe-se hoje mesmo