Ensinar ML modelos com o Mosaic AutoML Python API

Este artigo demonstra como ensinar um modelo com o Mosaic AutoML usando o AutoML Python API. Consulte a referência da API Python do Mosaic 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 uma tentativa Notebook para cada modelo.

Consulte Requisitos para experimentos do AutoML.

Configurar um experimento usando a API AutoML

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

Crie um Notebook e anexe-o a um clusters executando o Databricks Runtime ML.
Identifique qual tabela você deseja usar de sua fonte de dados existente ou upload um arquivo de dados para DBFS e crie uma tabela.
Para começar uma execução do AutoML, use a função automl.regress() ou automl.classify() e passe a tabela, juntamente com quaisquer outros parâmetros de treinamento. Para ver todas as funções e parâmetros, consulte a referência da API Python do Mosaic AutoML.

Por exemplo:
```
summary = automl.regress(dataset=train_pdf, target_col="col_to_predict")
```
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. refresh o experimento MLflow para ver os testes à medida que são concluídos.
Depois que a execução do AutoML for concluída:

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 a exploração de dados 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 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

registrar e aprimorar um modelo

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

Nenhum módulo chamado `pandas.core.indexes.numeric`

Ao exibir um modelo criado usando o AutoML com Model Serving, você pode receber o erro: No module named 'pandas.core.indexes.numeric.

Isso ocorre devido a uma versão pandas incompatível entre o AutoML e o modelo que atende ao ambiente de endpoint. Você pode resolver esse erro executando o script add-pandas-dependency.py. O script edita o requirements.txt e o conda.yaml dos logs de seus modelos para incluir a versão de dependência pandas apropriada: pandas==1.5.3.

Modifique o script para incluir o run_id da execução do MLflow em que seu modelo foi logs.
Registrando novamente o modelo no MLflow Model Registry.
Tente servir a nova versão do modelo MLflow.