Freigeben über

Beispiele für das Modelltraining

Dieser Abschnitt enthält Beispiele zum Trainieren von Machine Learning-Modellen in Azure Databricks mithilfe vieler gängiger Open-Source-Bibliotheken.

Sie können auch AutoML verwenden. Damit wird automatisch ein Dataset für das Modelltraining vorbereitet, eine Reihe von Testversionen mit Open-Source-Bibliotheken wie Scikit-learn und XGBoost ausgeführt und ein Python-Notebook mit dem Quellcode für jede Testausführung erstellt, damit Sie den Code überprüfen, reproduzieren und ändern können.

Beispiele für Machine Learning

Paket Notebook(s) Features
scikit-learn Machine Learning-Tutorial Unity Catalog, Klassifizierungsmodell, MLflow, automatisierte Hyperparameteroptimierung mit Hyperopt und MLflow
scikit-learn End-to-End-Beispiel Unity Catalog, Klassifizierungsmodell, MLflow, automatisierte Hyperparameteroptimierung mit Hyperopt und MLflow, XGBoost
MLlib MLlib-Beispiele Binärklassifizierung, Entscheidungsstrukturen, GBT-Regression, strukturiertes Streaming, benutzerdefinierter Transformator
xgboost XGBoost-Beispiele Python, PySpark und Scala, Einzelknoten-Workloads und verteiltes Training

Hyperparameter-Optimierungsbeispiele

Allgemeine Informationen zur Hyperparameteroptimierung in Azure Databricks finden Sie unter Hyperparameteroptimierung.

Paket Notebook Features
Optuna Erste Schritte mit Optuna Optuna, verteiltes Optuna, Scikit-learn, MLflow
Hyperopt Hyperopt (verteilt) Hyperopt (verteilt), Scikit-learn, MLflow
Hyperopt Vergleichen von Modellen Verwenden von Hyperopt (verteilt) zum gleichzeitigen Durchsuchen des Hyperparameterraums für verschiedene Modelltypen
Hyperopt Verteilte Trainingsalgorithmen und Hyperopt Hyperopt, MLlib
Hyperopt Hyperopt: bewährte Methoden Bewährte Methoden für Datasets unterschiedlicher Größe
  • Last updated on