Примеры обучения моделей

В этом разделе приведены примеры обучения моделей машинного обучения в Azure Databricks с помощью многих популярных библиотек с открытым кодом.

Вы также можете использовать AutoML, который автоматически подготавливает набор данных для обучения модели, выполняет набор пробных версий с помощью библиотек с открытым исходным кодом, таких как scikit-learn и XGBoost, и создает записную книжку Python с исходным кодом для каждого пробного запуска, чтобы вы могли просматривать, воспроизводить и изменять код.

Пример записной книжки, в котором показано, как обучить модель машинного обучения, которая использует данные в каталоге Unity и записывать прогнозы обратно в каталог Unity, см. в статье "Обучение и регистрация моделей машинного обучения в каталоге Unity".

Примеры Машинного обучения

Пакет	Записные книжки	Функции
scikit-learn	Руководство по машинному обучению	Модель классификации, MLflow, автоматическая настройка гиперпараметров с помощью Hyperopt и MLflow
scikit-learn	Полный пример	Модель классификации, MLflow, автоматическая настройка гиперпараметров с помощью Hyperopt и MLflow, XGBoost, реестр моделей, обслуживание моделей
MLlib	Примеры MLlib	Двоичная классификация, деревья принятия решений, регрессия GBT, структурированная потоковая передача, настраиваемый преобразователь
XGBoost	Примеры XGBoost	Python, PySpark и Scala, а также рабочие нагрузки с одним узлом и распределенное обучение

Пример настройки гиперпараметров

Общие сведения о настройке гиперпараметров в Azure Databricks см. в статье Настройка гиперпараметров.

Пакет	Записная книжка	Функции
Hyperopt	Распределенная функция Hyperopt	Распределенная функция Hyperopt, scikit-learn, MLflow
Hyperopt	Сравнение моделей	Одновременный поиск моделей разных типов в пространстве гиперпараметров с помощью распределенной функции Hyperopt
Hyperopt	Алгоритмы распределенного обучения и Hyperopt	Hyperopt, MLlib
Hyperopt	Рекомендации по Hyperopt	Рекомендации для наборов данных разного размера