Обучение моделей с помощью scikit-learn в Microsoft Fabric

  • Статья

Scikit-learn (scikit-learn.org) — это популярная платформа машинного обучения с открытым исходным кодом. Он часто используется для защищенного и неконтролируемого обучения. Он также предоставляет различные средства для параметров модели, предварительной обработки данных, выбора моделей, оценки моделей и т. д.

В этом разделе мы рассмотрим пример обучения и отслеживания итерации модели Scikit-Learn.

Установка scikit-learn

Чтобы приступить к работе с scikit-learn, необходимо убедиться, что он установлен в записной книжке. Вы можете установить или обновить версию scikit-learn в вашей среде с помощью следующей команды:

%pip install scikit-learn

Затем мы создадим эксперимент машинного обучения с помощью API MLFLow. API MLflow set_experiment() создаст новый эксперимент машинного обучения, если он еще не существует.

import mlflow

mlflow.set_experiment("sample-sklearn")

Обучение модели scikit-learn

После создания эксперимента мы создадим образец набора данных и создадим модель логистической регрессии. Мы также начнем запуск MLflow и отслеживать метрики, параметры и окончательную модель логистической регрессии. Создав окончательную модель, мы также сохраните полученную модель для дополнительного отслеживания.

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")

Загрузка и оценка модели в образце набора данных

После сохранения модели ее также можно загрузить для вывода. Для этого мы загрузим модель и запустите вывод в образце набора данных.

# 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()

Связанный контент