Model eğitimi örnekleri
Bu bölüm, birçok popüler açık kaynak kitaplığını kullanarak Azure Databricks'te makine öğrenmesi modellerini eğitmeyi gösteren örnekler içerir.
Ayrıca bir veri kümesini model eğitimi için otomatik olarak hazırlayan, scikit-learn ve XGBoost gibi açık kaynak kitaplıkları kullanarak bir dizi deneme gerçekleştiren ve kodu gözden geçirebilmeniz, yeniden oluşturabilmeniz ve değiştirebilmeniz için her deneme çalıştırması için kaynak kodu içeren bir Python not defteri oluşturan AutoML'yi de kullanabilirsiniz.
Makine öğrenmesi örnekleri
Paket | Not defterleri | Özellikler |
---|---|---|
scikit-learn | Makine öğrenmesi öğreticisi | Unity Kataloğu, sınıflandırma modeli, MLflow, Hyperopt ve MLflow ile otomatik hiper parametre ayarlama |
scikit-learn | Uçtan uca örnek | Unity Kataloğu, sınıflandırma modeli, MLflow, Hyperopt ve MLflow ile otomatik hiper parametre ayarlama, XGBoost |
MLlib | MLlib örnekleri | İkili sınıflandırma, karar ağaçları, GBT regresyonu, Yapılandırılmış Akış, özel transformatör |
xgboost | XGBoost örnekleri | Python, PySpark ve Scala, tek düğüm iş yükleri ve dağıtılmış eğitim |
Hiper parametre ayarlama örnekleri
Azure Databricks'te hiper parametre ayarlama hakkında genel bilgi için bkz . Hiper parametre ayarlama.
Paket | Not Defteri | Özellikler |
---|---|---|
Hyperopt | Dağıtılmış hiperopt | Dağıtılmış hyperopt, scikit-learn, MLflow |
Hyperopt | Modelleri karşılaştırma | Farklı model türleri için hiper parametre alanında aynı anda arama yapmak için dağıtılmış hyperopt kullanma |
Hyperopt | Dağıtılmış eğitim algoritmaları ve hyperopt | Hyperopt, MLlib |
Hyperopt | Hyperopt en iyi yöntemleri | Farklı boyutlardaki veri kümeleri için en iyi yöntemler |
Geri Bildirim
https://aka.ms/ContentUserFeedback.
Çok yakında: 2024 boyunca, içerik için geri bildirim mekanizması olarak GitHub Sorunları’nı kullanımdan kaldıracak ve yeni bir geri bildirim sistemiyle değiştireceğiz. Daha fazla bilgi için bkz.Gönderin ve geri bildirimi görüntüleyin