Not
Bu sayfaya erişim yetkilendirme gerektiriyor. Oturum açmayı veya dizinleri değiştirmeyi deneyebilirsiniz.
Bu sayfaya erişim yetkilendirme gerektiriyor. Dizinleri değiştirmeyi deneyebilirsiniz.
Optuna, Ray Tune ve Hyperopt gibi Python kitaplıkları, makine öğrenmesi modelleri için en uygun hiper parametre kümesini verimli bir şekilde bulmak için hiper parametre ayarlamayı basitleştirir ve otomatikleştirir. Bu kitaplıklar, en az düzeyde manuel orkestrasyon ve yapılandırma gereksinimiyle hiperparametreleri hızla bulmak için birden fazla bilgi işlem kaynağı üzerinde ölçeklenir.
Optuna
Optuna , hiper parametre ayarlama ve model seçimi için dinamik bir arama alanı tanımlamayı kolaylaştıran hafif bir çerçevedir. Optuna, en son iyileştirme ve makine öğrenmesi algoritmalarından bazılarını içerir.
Optuna iş yüklerini ölçeklendirmek için Joblib ile kolayca paralelleştirilebilir ve denemeler genelinde hiper parametreleri ve ölçümleri izlemek için MLflow ile tümleştirilebilir.
Optuna ile çalışmaya başlamak için Optuna ile Hiperparametre Ayarlama bölümüne bakın.
Ray Tune
Databricks Runtime ML, paralel işlem işleme için kullanılan açık kaynak bir çerçeve olan Ray'i içerir. Ray Tune, Ray ile birlikte gelen ve dağıtılmış bilgi işlem için arka uç olarak Ray kullanan bir hiper parametre ayarlama kitaplığıdır.
Ray'i Databricks'te çalıştırma hakkında ayrıntılı bilgi için bkz . Azure Databricks'te Ray nedir?. Ray Tune örnekleri için Ray Tune belgelerine bakın.
Hyperopt
Not
Hyperopt'un açık kaynak sürümü artık korunmaz.
Hyperopt, 16.4 LTS ML'nin ardından Machine Learning için Databricks Runtime'a dahil değildir. Azure Databricks, tek düğümlü iyileştirme için
Hyperopt , dağıtılmış hiper parametre ayarlama ve model seçimi için kullanılan bir Python kitaplığıdır. Hyperopt scikit-learn ve TensorFlow gibi tek makineli ML modellerinin yanı sıra Apache Spark MLlib ve Horovod gibi dağıtılmış M algoritmalarıyla uyumlu çalışır.
Hyperopt kullanmaya başlamak için bkz . Hyperopt ile dağıtılmış eğitim algoritmalarını kullanma.
MLlib otomatik MLflow izleme
Not
MLlib otomatik MLflow izleme, Databricks Runtime 10.4 LTS ML ve üzeri sürümlerini çalıştıran kümelerde kullanımdan kaldırılmıştır ve varsayılan olarak devre dışıdır.
Bunun yerine, mlflow.pyspark.ml.autolog() çağırarak MLflow PySpark ML autologging özelliğini kullanın; bu özellik, Databricks Autologging ile varsayılan olarak etkindir.
MLlib'in otomatik MLflow izlemesi ile CrossValidator veya TrainValidationSplit kullanan ayarlama kodunu çalıştırdığınızda, hiperparametreler ve değerlendirme metrikleri otomatik olarak MLflow'da günlüğe kaydedilir.