Оценка модели машинного обучения с помощью PREDICT в Microsoft Fabric

Microsoft Fabric позволяет пользователям использовать модели машинного обучения с масштабируемой функцией PREDICT, которая поддерживает пакетную оценку в любом вычислительном механизме. Пользователи могут создавать пакетные прогнозы непосредственно из записной книжки Microsoft Fabric или на странице элемента модели машинного обучения.

В этой статье вы узнаете, как применять PREDICT обоими способами, независимо от того, удобнее ли писать код самостоятельно или использовать интерактивный пользовательский интерфейс для обработки пакетной оценки для вас.

Необходимые компоненты

• Получение подписки Microsoft Fabric. Или зарегистрируйте бесплатную пробную версию Microsoft Fabric.

• Войдите в Microsoft Fabric.

• Используйте переключатель интерфейса в левой части домашней страницы, чтобы перейти на интерфейс Synapse Обработка и анализ данных.

  

Ограничения

• Функция PREDICT в настоящее время поддерживается для ограниченного набора вариантов модели машинного обучения, включая:
  • PyTorch
  • SKLearn
  • Spark
  • TensorFlow
  • ONNX
  • XGBoost
  • LightGBM
  • CatBoost
  • Statsmodels
  • Prophet
  • Keras
• Прогноз требует сохранения моделей машинного обучения в формате MLflow с заполненными подписями.
• Прогноз не поддерживает модели машинного обучения с несколькими тензорными входными или выходными данными.

Вызов PREDICT из записной книжки

PREDICT поддерживает модели с пакетом MLflow в реестре Microsoft Fabric. Если в рабочей области уже обучена и зарегистрирована модель машинного обучения, можно перейти к шагу 2. Если нет, шаг 1 предоставляет пример кода для обучения модели логистической регрессии. Эту модель можно использовать для создания пакетных прогнозов в конце процедуры.

1. Обучить модель машинного обучения и зарегистрировать ее в MLflow. Следующий пример кода использует API MLflow для создания эксперимента машинного обучения и запуска MLflow для модели логистической регрессии scikit-learn. Затем версия модели хранится и зарегистрирована в реестре Microsoft Fabric. Узнайте , как обучить модели машинного обучения с помощью scikit-learn , чтобы узнать больше о моделях обучения и отслеживании экспериментов с собственными.

   import mlflow
   import numpy as np 
   from sklearn.linear_model import LogisticRegression 
   from sklearn.datasets import load_diabetes
   from mlflow.models.signature import infer_signature 
   
   mlflow.set_experiment("diabetes-demo")
   with mlflow.start_run() as run:
       lr = LogisticRegression()
       data = load_diabetes(as_frame=True)
       lr.fit(data.data, data.target) 
       signature = infer_signature(data.data, data.target) 
   
       mlflow.sklearn.log_model(
           lr,
           "diabetes-model",
           signature=signature,
           registered_model_name="diabetes-model"
       ) 
   

2. Загрузка тестовых данных в виде кадра данных Spark. Чтобы создать пакетные прогнозы с помощью модели машинного обучения, обученной на предыдущем шаге, необходимо проверить данные в виде кадра данных Spark. Можно заменить значение переменной test в следующем коде собственными данными.

   # You can substitute "test" below with your own data
   test = spark.createDataFrame(data.frame.drop(['target'], axis=1))
   

3. MLFlowTransformer Создайте объект для загрузки модели машинного обучения для вывода. Чтобы создать MLFlowTransformer объект для создания пакетных прогнозов, необходимо выполнить следующие действия:

   • укажите столбцы из кадра данных, необходимые в test качестве входных данных модели (в данном случае все из них);
   • выберите имя нового выходного столбца (в данном случае predictions) и
   • укажите правильное имя модели и версию модели для создания этих прогнозов.

   Если вы используете собственную модель машинного обучения, замените значения входных столбцов, имени выходного столбца, имени модели и версии модели.

   from synapse.ml.predict import MLFlowTransformer
   
   # You can substitute values below for your own input columns,
   # output column name, model name, and model version
   model = MLFlowTransformer(
       inputCols=test.columns,
       outputCol='predictions',
       modelName='diabetes-model',
       modelVersion=1
   )
   

4. Создайте прогнозы с помощью функции PREDICT. Чтобы вызвать функцию PREDICT, можно использовать API преобразователя, API SQL Spark или определяемую пользователем функцию PySpark (UDF). В следующих разделах показано, как создавать пакетные прогнозы с помощью тестовых данных и модели машинного обучения, определенной на предыдущих шагах, используя различные методы для вызова PREDICT.

PREDICT с помощью API преобразователя

Следующий код вызывает функцию PREDICT с ПОМОЩЬЮ API преобразователя. Если вы использовали собственную модель машинного обучения, замените значения для модели и тестовых данных.

# You can substitute "model" and "test" below with values  
# for your own model and test data 
model.transform(test).show()

ПРОГНОЗИРОВАНИе с помощью API SQL Spark

Следующий код вызывает функцию PREDICT с помощью API SQL Spark. Если вы использовали собственную модель машинного обучения, замените значения model_nameдля , model_versionа также features именем модели, версией модели и столбцами компонентов.

Примечание.

Использование API SQL Spark для создания прогнозов по-прежнему требует создания MLFlowTransformer объекта (как показано на шаге 3).

from pyspark.ml.feature import SQLTransformer 

# You can substitute "model_name," "model_version," and "features" 
# with values for your own model name, model version, and feature columns
model_name = 'diabetes-model'
model_version = 1
features = test.columns

sqlt = SQLTransformer().setStatement( 
    f"SELECT PREDICT('{model_name}/{model_version}', {','.join(features)}) as predictions FROM __THIS__")

# You can substitute "test" below with your own test data
sqlt.transform(test).show()

PREDICT с определяемой пользователем функцией

Следующий код вызывает функцию PREDICT с помощью UDF PySpark. Если вы использовали собственную модель машинного обучения, замените значения для модели и функций.

from pyspark.sql.functions import col, pandas_udf, udf, lit

# You can substitute "model" and "features" below with your own values
my_udf = model.to_udf()
features = test.columns

test.withColumn("PREDICT", my_udf(*[col(f) for f in features])).show()

Создание кода PREDICT на странице элемента модели машинного обучения

На странице элемента модели машинного обучения можно выбрать один из следующих вариантов, чтобы начать создание пакетных прогнозов для конкретной версии модели с помощью PREDICT.

• Использование интерактивного интерфейса пользовательского интерфейса для создания кода PREDICT
• Копирование шаблона кода в записную книжку и настройка параметров самостоятельно

Использование интерактивного пользовательского интерфейса

В интерактивном пользовательском интерфейсе показано, как выполнить следующие действия.

• Выбор исходных данных для оценки
• Правильно сопоставлять данные с входными данными модели машинного обучения
• Укажите назначение выходных данных модели
• Создание записной книжки, которая использует PREDICT для создания и хранения результатов прогнозирования

Чтобы использовать интерактивный интерфейс, выполните следующие действия.

1. Перейдите на страницу элемента для заданной версии модели машинного обучения.

2. Выберите " Применить эту модель" в мастере в раскрывающемся списке "Применить эту версию ".

   

   При выборе откроется окно "Применить прогнозы модели машинного обучения" на шаге "Выбор входной таблицы".

3. Выберите входную таблицу из одного из озерных домов в текущей рабочей области.

   

4. Нажмите кнопку "Далее ", чтобы перейти к шагу "Сопоставление входных столбцов".

5. Сопоставлять имена столбцов из исходной таблицы с полями входных данных модели машинного обучения, которые извлекаются из подписи модели. Необходимо указать входной столбец для всех обязательных полей модели. Кроме того, типы данных для исходных столбцов должны соответствовать ожидаемым типам данных модели.

   Совет

   Мастер предварительно заполняет это сопоставление, если имена столбцов входной таблицы соответствуют именам столбцов, зарегистрированным в сигнатуре модели машинного обучения.

   

6. Нажмите кнопку "Далее ", чтобы перейти к шагу "Создать выходную таблицу".

7. Укажите имя новой таблицы в выбранном озерном доме текущей рабочей области. В этой выходной таблице хранятся входные значения модели машинного обучения с добавленными значениями прогнозирования. По умолчанию выходные таблицы создаются в том же лейкхаусе, что и входная таблица, но также доступен вариант изменения целевого lakehouse.

   

8. Нажмите кнопку "Далее ", чтобы перейти к шагу "Сопоставление выходных столбцов".

9. Используйте предоставленные текстовые поля для имени столбцов в выходной таблице, в которой хранятся прогнозы модели машинного обучения.

   

10. Нажмите кнопку "Далее ", чтобы перейти к шагу "Настройка записной книжки".

11. Укажите имя новой записной книжки, которая будет запускать созданный код PREDICT. Мастер отображает предварительный просмотр созданного кода на этом шаге. Вы можете скопировать код в буфер обмена и вставить его в существующую записную книжку, если вы предпочитаете.

    

12. Нажмите кнопку "Далее ", чтобы перейти к шагу "Проверка и завершение".

13. Просмотрите сведения на странице сводки и выберите "Создать записную книжку", чтобы добавить новую записную книжку с созданным кодом в рабочую область. Вы перейдете непосредственно в эту записную книжку, где можно запустить код для создания и хранения прогнозов.

    

Использование настраиваемого шаблона кода

Чтобы использовать шаблон кода для создания прогнозов пакетной службы, выполните следующее:

1. Перейдите на страницу элемента для заданной версии модели машинного обучения.
2. Выберите "Копировать код", чтобы применить этот раскрывающийсясписок "Применить эту версию ". Выбор позволяет скопировать настраиваемый шаблон кода.

Этот шаблон кода можно вставить в записную книжку, чтобы создать пакетные прогнозы с помощью модели машинного обучения. Чтобы успешно запустить шаблон кода, необходимо вручную заменить следующие значения:

• <INPUT_TABLE>: путь к файлу для таблицы, предоставляющей входные данные модели машинного обучения
• <INPUT_COLS>: массив имен столбцов из входной таблицы для канала модели машинного обучения
• <OUTPUT_COLS>: имя нового столбца в выходной таблице, в которой хранятся прогнозы
• <MODEL_NAME>: имя модели машинного обучения, используемой для создания прогнозов
• <MODEL_VERSION>: версия модели машинного обучения, используемая для создания прогнозов
• <OUTPUT_TABLE>: путь к файлу для таблицы, в которой хранятся прогнозы

import mlflow 
from synapse.ml.predict import MLFlowTransformer 
 
df = spark.read.format("delta").load( 
    <INPUT_TABLE> # Your input table filepath here
) 
 
model = MLFlowTransformer( 
    inputCols=<INPUT_COLS>, # Your input columns here
    outputCol=<OUTPUT_COLS>, # Your new column name here
    modelName=<MODEL_NAME>, # Your ML model name here
    modelVersion=<MODEL_VERSION> # Your ML model version here
) 
df = model.transform(df) 
 
df.write.format('delta').mode("overwrite").save( 
    <OUTPUT_TABLE> # Your output table filepath here
)  

Связанный контент

• Полный пример прогнозирования с помощью модели обнаружения мошенничества
• Обучение моделей машинного обучения с помощью scikit-learn в Microsoft Fabric