Kommentar
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
Det här avsnittet innehåller exempel som visar hur du tränar maskininlärningsmodeller på Azure Databricks med hjälp av många populära bibliotek med öppen källkod.
Du kan också använda AutoML, som automatiskt förbereder en datauppsättning för modellträning, utför en uppsättning utvärderingsversioner med bibliotek med öppen källkod, till exempel scikit-learn och XGBoost, och skapar en Python notebook-fil med källkoden för varje utvärderingskörning så att du kan granska, reproducera och ändra koden.
Exempel på maskininlärning
| Paket | Anteckningsbok/böcker | Funktioner |
|---|---|---|
| scikit-learn | Handledning i maskininlärning | Unity Catalog, klassificeringsmodell, MLflow, automatisk hyperparameterjustering med Hyperopt och MLflow |
| scikit-learn | Exempel på helhetslösning | Unity Catalog, klassificeringsmodell, MLflow, automatisk hyperparameterjustering med Hyperopt och MLflow, XGBoost |
| MLlib | MLlib-exempel | Binär klassificering, beslutsträd, GBT-regression, strukturerad direktuppspelning, anpassad transformator |
| xgboost | XGBoost-exempel | Python, PySpark och Scala, arbetsbelastningar med en nod och distribuerad utbildning |
Exempel på hyperparameterjustering
Allmän information om justering av hyperparametrar i Azure Databricks finns i Hyperparameterjustering.
Anmärkning
Versionen med öppen källkod av Hyperopt underhålls inte längre.
Hyperopt ingår inte i Databricks Runtime för Machine Learning efter 16,4 LTS ML. Azure Databricks rekommenderar att du använder antingen Optuna för optimering med en nod eller RayTune för en liknande upplevelse som de inaktuella hyperopt-distribuerade hyperparameterjusteringsfunktionerna. Läs mer om hur du använder RayTune på Azure Databricks.
| Paket | Anteckningsbok | Funktioner |
|---|---|---|
| Optuna | Kom igång med Optuna | Optuna, Distribuerad Optuna, scikit-learn, MLflow |
| Hyperopt | Distribuerad hyperopt | Distribuerad Hyperopt, scikit-learn, MLflow |
| Hyperopt | Jämföra modeller | Använda distribuerad hyperopt för att söka efter hyperparameterutrymme för olika modelltyper samtidigt |
| Hyperopt | Distribuerade träningsalgoritmer och hyperopt | Hyperopt, MLlib |
| Hyperopt | Metodtips för Hyperopt | Metodtips för datauppsättningar av olika storlekar |