Exemples d’entraînement de modèle

Cette section comprend des exemples montrant comment entraîner des modèles de machine learning sur Databricks à l'aide de nombreuses bibliothèques open source populaires.

Vous pouvez également utiliser AutoML, qui prépare automatiquement un dataset pour l'entraînement du modèle, effectue une série d'essais à l'aide de bibliothèques open source telles que scikit-learn et XGBoost, et crée un Notebook Python avec le code source de chaque essai afin que vous puissiez examiner, reproduire et modifier le code.

Exemples de Machine Learning

Package	Notebook(s)	Fonctionnalités
Scikit-learn	Tutoriel Machine Learning	Unity Catalog, modèle de classification, MLflow, réglage automatisé des hyperparamètres avec Hyperopt et MLflow
Scikit-learn	Exemple de bout en bout	Unity Catalog, modèle de classification, MLflow, ajustement automatisé des hyperparamètres avec Hyperopt et MLflow, XGBoost
mllib	Exemples MLlib	Classification binaire, arbres de décision, régression GBT, Structured Streaming, transformateur personnalisé
xgboost	Exemples XGBoost	Python, PySpark et Scala, charges de travail à nœud unique et formation distribuée

Package	Notebook(s)	Fonctionnalités
Scikit-learn	Tutoriel Machine Learning	Unity Catalog, modèle de classification, MLflow, réglage automatisé des hyperparamètres avec Hyperopt et MLflow
Scikit-learn	Exemple de bout en bout	Unity Catalog, modèle de classification, MLflow, ajustement automatisé des hyperparamètres avec Hyperopt et MLflow, XGBoost
mllib	Exemples MLlib	Classification binaire, arbres de décision, régression GBT, Structured Streaming, transformateur personnalisé
xgboost	Exemples XGBoost	Python, PySpark et Scala, charges de travail à nœud unique et formation distribuée

Exemples d'ajustement des hyperparamètres

Pour des informations générales sur l’ajustement des hyperparamètres dans Databricks, consultez l’ajustement des hyperparamètres.

remarque

La version open source de Hyperopt n'est plus maintenue.

Hyperopt n'est pas inclus dans Databricks Runtime for Machine Learning après 16.4 LTS ML. Databricks recommande d'utiliser soit Optuna pour l'optimisation à nœud unique, soit RayTune pour une expérience similaire à la fonctionnalité obsolète d'ajustement distribué des hyperparamètres d'Hyperopt. En savoir plus sur l'utilisation de RayTune sur Databricks.

Package	Notebook	Fonctionnalités
Optuna	Get start avec Optuna.	Optuna, Optuna distribué, scikit-learn, MLflow
Hyperopt	Hyperopt distribué	Hyperopt distribué, scikit-learn, MLflow
Hyperopt	Comparez les modèles.	Utilisez Hyperopt distribué pour rechercher simultanément l'espace des hyperparamètres pour différents types de modèles.
Hyperopt	Algorithmes de formation distribuée et Hyperopt	Hyperopt, MLlib
Hyperopt	Bonnes pratiques Hyperopt	Bonnes pratiques pour les datasets de différentes tailles

Package	Notebook	Fonctionnalités
Optuna	Get start avec Optuna.	Optuna, Optuna distribué, scikit-learn, MLflow
Hyperopt	Hyperopt distribué	Hyperopt distribué, scikit-learn, MLflow
Hyperopt	Comparez les modèles.	Utilisez Hyperopt distribué pour rechercher simultanément l'espace des hyperparamètres pour différents types de modèles.
Hyperopt	Algorithmes de formation distribuée et Hyperopt	Hyperopt, MLlib
Hyperopt	Bonnes pratiques Hyperopt	Bonnes pratiques pour les datasets de différentes tailles