Поделиться через

Руководство, часть 4: Выполнение пакетной оценки и сохранение прогнозов в хранилище данных (lakehouse)

В этом руководстве показано, как импортировать зарегистрированную модель LightGBMClassifier, созданную в части 3. В этом руководстве использовался реестр моделей Microsoft Fabric MLflow для обучения модели и выполнения пакетных прогнозов для тестового набора данных, загруженного из lakehouse (озера данных).

С помощью Microsoft Fabric можно использовать модели машинного обучения с помощью масштабируемой функции PREDICT . Эта функция поддерживает пакетную оценку в любом вычислительном ядре. Вы можете создавать пакетные прогнозы непосредственно из записной книжки Microsoft Fabric или на странице элемента данной модели. Дополнительные сведения о функции PREDICT см. в этом ресурсе.

Чтобы создать пакетные прогнозы в тестовом наборе данных, используйте версию 1 обученной модели LightGBM. Эта версия показала лучшую производительность среди всех обученных моделей машинного обучения. Вы загружаете тестовый набор данных в кадр данных Spark и создаете объект MLFlowTransformer для создания пакетных прогнозов. Затем можно вызвать функцию PREDICT с помощью одного из следующих методов:

  • API преобразователя из SynapseML
  • Spark SQL API
  • Определяемая пользователем функция PySpark (UDF)

Необходимые условия

  • Получите подписку Microsoft Fabric. Зарегистрируйтесь на бесплатную пробную версию Microsoft Fabric или воспользуйтесь .

  • Войдите в Microsoft Fabric.

  • Перейдите в Fabric с помощью переключателя интерфейса в левой нижней части домашней страницы.

    Снимок экрана: выбор Fabric в меню переключателя интерфейса.

Это часть 4 из пяти частей серии учебников. Чтобы завершить работу с этим руководством, сначала выполните указанные ниже действия.

Следуйте инструкциям в записной книжке

4-predict.ipynb — это записная книжка, сопровождающая это руководство.

Важный

Прикрепите тот же лейкхаус, который вы использовали в других частях этой серии.

Загрузка тестовых данных

В следующем фрагменте кода загрузите тестовые данные, сохраненные в части 3.

df_test = spark.read.format("delta").load("Tables/df_test")
display(df_test)

PREDICT с помощью API Transformer

Чтобы использовать API преобразователя из SynapseML, необходимо сначала создать объект MLFlowTransformer.

Создание экземпляра объекта MLFlowTransformer

Объект MLFlowTransformer служит оболочкой для модели MLFlow, зарегистрированной в части 3. Он позволяет создавать пакетные прогнозы на заданном кадре данных. Чтобы создать экземпляр объекта MLFlowTransformer, необходимо указать следующие параметры:

  • Тестовые столбцы DataFrame, необходимые модели в качестве входных данных (в данном случае модель нуждается в всех из них).
  • Имя нового выходного столбца (в данном случае прогнозы)
  • Правильное имя модели и версия модели для создания прогнозов (в данном случае lgbm_sm и версии 1)

Следующий фрагмент кода обрабатывает следующие действия:

from synapse.ml.predict import MLFlowTransformer

model = MLFlowTransformer(
    inputCols=list(df_test.columns),
    outputCol='predictions',
    modelName='lgbm_sm',
    modelVersion=1
)

Теперь, когда у вас есть объект MLFlowTransformer, его можно использовать для создания пакетных прогнозов, как показано в следующем фрагменте кода:

import pandas

predictions = model.transform(df_test)
display(predictions)

ПРОГНОЗИРОВАНИе с помощью API SQL Spark

Следующий фрагмент кода использует API SQL Spark для вызова функции PREDICT:

from pyspark.ml.feature import SQLTransformer 

# Substitute "model_name", "model_version", and "features" below with values for your own model name, model version, and feature columns
model_name = 'lgbm_sm'
model_version = 1
features = df_test.columns

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

# Substitute "X_test" below with your own test dataset
display(sqlt.transform(df_test))

PREDICT с определяемой пользователем функцией (UDF)

В следующем фрагменте кода используется UDF PySpark для вызова функции PREDICT:

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

# Substitute "model" and "features" below with values for your own model name and feature columns
my_udf = model.to_udf()
features = df_test.columns

display(df_test.withColumn("predictions", my_udf(*[col(f) for f in features])))

Вы также можете создать код PREDICT на странице элемента модели. Дополнительные сведения о функции PREDICT см. в этом ресурсе.

Запишите результаты предсказания модели в Lakehouse.

После создания пакетных прогнозов напишите результаты прогнозирования модели обратно в lakehouse, как показано в следующем фрагменте кода:

# Save predictions to lakehouse to be used for generating a Power BI report
table_name = "customer_churn_test_predictions"
predictions.write.format('delta').mode("overwrite").save(f"Tables/{table_name}")
print(f"Spark DataFrame saved to delta table: {table_name}")

Следующий шаг

Продолжить к:

часть 5. Создание отчета Power BI для визуализации прогнозов

  • Last updated on