Utilisez scikit-learn sur Databricks.

Cette page fournit des exemples de la manière dont vous pouvez utiliser le package scikit-learn pour entraîner des modèles de machine learning dans Databricks. scikit-learn est l'une des bibliothèques Python les plus populaires pour le machine learning à nœud unique et est incluse dans Databricks Runtime et Databricks Runtime ML. Consultez les notes de version de Databricks Runtime pour connaître la version de la bibliothèque scikit-learn incluse avec le runtime de votre cluster.

Vous pouvez importer ces Notebooks et les exécuter dans votre workspace Databricks.

Exemple de base utilisant scikit-learn

Ce notebook fournit un aperçu rapide de l'entraînement des modèles de machine learning sur Databricks. Il utilise le package scikit-learn pour entraîner un modèle de classification simple. Il illustre également l'utilisation de MLflow pour suivre le processus de développement de modèles, et d'Optuna pour automatiser l'ajustement des hyperparamètres.

prompt

Demandez à Genie Code (mode Agent) de le faire pour vous :

Create tables in Unity Catalog for these datasets and then use those tables to train a classification model to predict wine quality.
/databricks-datasets/wine-quality/winequality-white.csv and /databricks-datasets/wine-quality/winequality-red.csv

Si votre Workspace est activé pour Unity Catalog, utilisez cette version du notebook :

Notebook de classification scikit-learn (Unity Catalog)

Ouvrir le notebook dans un nouvel ongletOuvrir dans Databricks

Si votre Workspace n'est pas activé pour Unity Catalog, utilisez cette version du Notebook :

Notebook de classification scikit-learn

Ouvrir le notebook dans un nouvel ongletOuvrir dans Databricks

Exemple de bout en bout utilisant scikit-learn sur Databricks

Ce notebook utilise scikit-learn pour illustrer un exemple complet de bout en bout de chargement de données, d'entraînement de modèle, de réglage distribué des hyperparamètres et d'inférence de modèle. Il illustre également la gestion du cycle de vie des modèles à l’aide du MLflow Model Registry pour journaliser et enregistrer votre modèle.

Si votre Workspace est activé pour Unity Catalog, utilisez cette version du notebook :

Utiliser scikit-learn avec l'intégration MLflow sur Databricks (Unity Catalog)

Ouvrir le notebook dans un nouvel ongletOuvrir dans Databricks

Si votre Workspace n'est pas activé pour Unity Catalog, utilisez cette version du Notebook :

Utiliser scikit-learn avec l'intégration MLflow sur Databricks

Ouvrir le notebook dans un nouvel ongletOuvrir dans Databricks