Ensinar modelos de previsão com AutoML Python API

Este artigo demonstra como ensinar um modelo com AutoML usando o AutoML Python API. Consulte a referência da API Python do AutoML para obter mais detalhes.

O site API fornece funções para iniciar a classificação, a regressão e a previsão AutoML execução. Cada chamada de função ensina um conjunto de modelos e gera um notebook de teste para cada modelo.

Consulte Requisitos para experimentos com AutoML.

Configurar um experimento usando a API AutoML

Os passos a seguir descrevem, de modo geral, como configurar um experimento AutoML usando o API:

  1. Crie um Notebook e anexe-o a um cluster executando Databricks Runtime ML.

  2. Identifique a tabela que deseja usar da fonte de dados existente ou upload um arquivo de dados para DBFS e crie uma tabela.

  3. Para começar uma execução do AutoML, use a função automl.regress(), automl.classify() ou automl.forecast() e passe a tabela, juntamente com quaisquer outros parâmetros de treinamento. Para ver todas as funções e parâmetros, consulte a referência da API do AutoML Python.

    Observação

    A função automl.forecast() só está disponível para previsão no site clássico compute.

    Por exemplo:

    # Regression example
summary = automl.regress(dataset=train_pdf, target_col="col_to_predict")

# Classification example
summary = automl.classification(dataset=train_pdf, target_col="col_to_predict")

# Forecasting example
summary = automl.forecast(dataset=train_pdf, target_col="col_to_predic", time_col="date_col", horizon=horizon, frequency="d", output_database="default")

  4. Quando a execução do AutoML começa, um URL de experimento do MLflow é exibido no console. Use esse URL para monitorar o progresso da execução. Atualize o experimento MLflow para ver as tentativas à medida que são concluídas.

  5. Após a conclusão da execução do AutoML:

  • Use os links no resumo dos resultados para navegar até o experimento MLflow ou o Notebook que gerou os melhores resultados.

  • Use o link para o Data Exploration Notebook para obter percepções sobre os dados passados para AutoML. O senhor também pode anexar esse Notebook ao mesmo cluster e reexecutá-lo para reproduzir os resultados ou fazer análises de dados adicionais.

  • Use o objeto de resumo retornado da chamada AutoML para explorar mais detalhes sobre as tentativas ou para carregar um modelo treinado por uma determinada tentativa. Saiba mais sobre o objeto AutomlSummary.

  • Clone qualquer Notebook gerado a partir dos testes e reexecute-o anexando-o ao mesmo site cluster para reproduzir os resultados. O senhor também pode fazer as edições necessárias, reexecutá-las para ensinar modelos adicionais e log incluí-los no mesmo experimento.

Importar um Notebook

Para importar um Notebook salvo como um artefato MLflow, use o databricks.automl.import_notebook Python API. Para obter mais informações, consulte Import Notebook

registro e implantação de um modelo

O senhor pode registrar e implantar seu modelo treinado em AutoML como qualquer modelo registrado no MLflow registro de modelo; consulte log, load, registro e implantação de modelos MLflow .

Nenhum módulo chamado pandas.core.indexes.numeric

Ao servir um modelo criado usando AutoML com servindo modelo, o senhor pode receber o erro: No module named pandas.core.indexes.numeric.

Isso se deve a uma versão pandas incompatível entre AutoML e o ambiente servindo modelo endpoint. Para resolver o erro:

  1. Baixe o script add-pandas-dependency.py. O script edita os sites requirements.txt e conda.yaml para o seu modelo registrado para incluir a versão de dependência pandas apropriada: pandas==1.5.3.

  2. Modifique o script para incluir o run_id da execução MLflow em que seu modelo foi registrado.

  3. Registre novamente o modelo no site MLflow registro de modelo.

  4. Tente usar a nova versão do modelo MLflow.

Notebook exemplo

O Notebook a seguir mostra como fazer previsões com o site AutoML.

AutoML exemplo de previsão Notebook

Abra o bloco de anotações em outra guia