Utilisation de MLflow avec Databricks ② --Visualisation des paramètres expérimentaux et des métriques -

introduction

Dans cet article précédent, j'ai expliqué comment intégrer l'historique des modèles d'apprentissage automatique de formation à l'aide de MLflow sur Databricks sur un ordinateur portable.

Utilisation de MLflow avec Databricks ① - Suivi expérimental sur notebook-

MLflow géré par Databricks vous permet de comparer les paramètres et les métriques du modèle d'entraînement, la mise en scène de votre modèle, et plus encore sur l'interface utilisateur.

Dans cet article, j'écris sur la partie qui visualise et compare les paramètres et les métriques de chaque expérience.

Écran de l'interface utilisateur pour chaque expérience

À partir de l'écran où vous avez vérifié les métriques pour chaque expérience sur le cahier de l'article précédent, cliquez sur le cadre rouge dans la figure. 図2.png

Vous serez redirigé vers un écran où les informations pour chaque expérience sont résumées. Affiche les métriques, les paramètres, les blocs-notes intégrés, etc. 図3.png

Faites défiler vers le bas pour enregistrer les données du modèle et des préférences, les captures d'écran des résultats expérimentaux, etc. en tant que fichiers d'artefacts. 図4.png

Lorsque MLflow est intégré dans un bloc-notes, l'identifiant de l'expérience est automatiquement attribué et run_id est attribué et géré pour chaque résultat d'exécution. Le fichier d'artefact est stocké dans un répertoire dans DBFS.

Comparaison de chaque expérience

Depuis le cahier, cliquez sur le cadre rouge dans la figure ci-dessous à droite de «Runs». 図5.png

Une liste de chaque expérience s'affiche. image.png

Sélectionnez l'expérience que vous souhaitez comparer et «Comparer». image.png

Vous pouvez comparer des paramètres et des métriques. Cliquez sur chaque ID d'exécution pour accéder à la page individuelle de l'expérience ci-dessus. image.png

Faites défiler vers le bas pour visualiser et comparer les paramètres et les métriques. image.png

en conclusion

Cette fois, nous avons visualisé et comparé les paramètres expérimentaux et les métriques sur l'interface utilisateur de Databricks. La prochaine fois, j'aimerais écrire sur la mise en scène pour déplacer le modèle entraîné vers la production.

Article précédent: Utilisation de MLflow avec Databricks ① - Suivi expérimental sur notebook-

Recommended Posts

Utilisation de MLflow avec Databricks ② --Visualisation des paramètres expérimentaux et des métriques -
Utilisation de MLflow avec Databricks ① - Suivi expérimental sur notebook -
Utilisation de Python et MeCab avec Azure Databricks
Utilisation de MLflow avec Databricks ③ --Gestion du cycle de vie des modèles -
Vue d'ensemble et astuces de Seaborn avec visualisation de données statistiques
Utiliser MLflow avec Databricks ④ --Call model -
Avantages et exemples d'utilisation de Rabbit Mq
Visualisation de matrices mixtes à l'aide de sklearn.metrics.ConfusionMatrixDisplay
Clustering et visualisation à l'aide de Python et CytoScape
Coexistence de Python2 et 3 avec CircleCI (1.0)
Agrégation et visualisation des nombres accumulés
Obtenez et estimez la forme de la tête en utilisant Dlib et OpenCV avec python
Exemple d'utilisation de variables de classe et de méthodes de classe
Signification des modèles et paramètres d'apprentissage en profondeur
Modèle de régression utilisant scikit-learn et sa visualisation
Visualisation de corrélation entre la quantité de caractéristiques et la variable objective
Principes de base de Tableau (visualisation à l'aide d'informations géographiques)
Recommandation d'Altair! Visualisation des données avec Python
J'utilise tox et Python 3.3 avec Travis-CI