Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Dieser Abschnitt enthält Beispiele, die zeigen, wie Machine Learning-Modelle auf Azure Databricks mithilfe vieler beliebter Open-Source-Bibliotheken trainiert werden.
Sie können auch AutoML verwenden, mit dem automatisch ein Dataset für die Modellschulung vorbereitet wird, eine Reihe von Testversionen mit Open-Source-Bibliotheken wie scikit-learn und XGBoost durchführt und ein Python Notizbuch mit dem Quellcode für jede Testausführung erstellt, sodass Sie den Code überprüfen, reproduzieren und ändern können.
Beispiele für Machine Learning
| Paket | Notebook(s) | Funktionen |
|---|---|---|
| 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, Arbeitsauslastungen mit einzelnen Knoten und verteilte Schulungen |
Hyperparameter-Optimierungsbeispiele
Allgemeine Informationen zur Hyperparameteroptimierung in Azure Databricks finden Sie unter Hyperparameter tuning.
Hinweis
Die Open-Source-Version von Hyperopt wird nicht mehr gepflegt.
Hyperopt ist nicht in Databricks Runtime für Machine Learning nach 16.4 LTS ML enthalten. Azure Databricks empfiehlt die Verwendung von Optuna für die Optimierung mit einem einzelnen Knoten oder RayTune für eine ähnliche Erfahrung wie die veraltete Hyperopt verteilte Hyperparameteroptimierungsfunktion. Erfahren Sie mehr über die Verwendung von RayTune auf Azure Databricks.
| Paket | Laptop | Funktionen |
|---|---|---|
| Optuna | Erste Schritte mit Optuna | Optuna, verteiltes Optuna, Scikit-learn, MLflow |
| Hyperopt | Verteiltes Hyperopt | 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 |