Udostępnij przez

Przykłady trenowania modelu

Ta sekcja zawiera przykłady przedstawiające sposób trenowania modeli uczenia maszynowego w usłudze Azure Databricks przy użyciu wielu popularnych bibliotek typu open source.

Można również użyć AutoML, która automatycznie przygotowuje zestaw danych do trenowania modelu, wykonuje zestaw prób przy użyciu bibliotek typu open source, takich jak scikit-learn i XGBoost, i tworzy notes języka Python z kodem źródłowym dla każdego przebiegu wersji próbnej, aby można było przejrzeć, odtworzyć i zmodyfikować kod.

Przykłady uczenia maszynowego

Pakiet Notatnik(i) Funkcje
scikit-learn Samouczek dotyczący uczenia maszynowego Katalog Unity, model klasyfikacji, MLflow, automatyczne dostrajanie hiperparametrów za pomocą Hyperopt i MLflow
scikit-learn Przykład typu end-to-end Katalog Unity, model klasyfikacji, MLflow, automatyczne dostrajanie hiperparametrów za pomocą Hyperopt i MLflow, XGBoost.
MLlib Przykłady biblioteki MLlib Klasyfikacja binarna, drzewa decyzyjne, regresja GBT, strukturowane przesyłanie strumieniowe, transformer niestandardowy
xgboost Przykłady biblioteki XGBoost Python, PySpark i Scala, obciążenia jednowęzłowe i trening rozproszony

Przykłady dostrajania hiperparametrów

Aby uzyskać ogólne informacje na temat dostrajania hiperparametrów w usłudze Azure Databricks, zobacz Dostrajanie hiperparametrów.

Pakiet Notatnik Funkcje
Optuna Zacznij z Optuna Optuna, distributed Optuna, scikit-learn, MLflow
Hyperopt Rozproszona funkcja hyperopt Rozproszony hyperopt, scikit-learn, MLflow
Hyperopt Porównywanie modeli Używanie rozproszonej funkcji hyperopt do wyszukiwania przestrzeni hiperparametrów dla różnych typów modeli jednocześnie
Hyperopt Rozproszone algorytmy trenowania i hiperopt Hyperopt, MLlib
Hyperopt Najlepsze rozwiązania dotyczące funkcji Hyperopt Najlepsze rozwiązania dotyczące zestawów danych o różnych rozmiarach
  • Last updated on