機器學(xué)習(xí)構(gòu)建ML模型實踐

本系列介紹 開發(fā)和部署 ( M L ) 模型。在這篇文章中，您 訓(xùn)練并保存 ML 模型，因此它可以作為 ML 系統(tǒng)的一部分部署。 第 1 部分給出了一個 ML 工作流概括 ，考慮了使用機器學(xué)習(xí)和數(shù)據(jù)科學(xué)實現(xiàn)商業(yè)價值所涉及的各個階段。第 3 部分介紹 如何部署 ML 模型到 Google 云平臺（ GCP ）。

培訓(xùn)一個可以作為機器學(xué)習(xí)系統(tǒng)一部分的模型需要了解您的數(shù)據(jù)、業(yè)務(wù)目標(biāo)以及許多其他技術(shù)和組織要求。

在本文中，您創(chuàng)建了一個 Python 腳本，當(dāng)執(zhí)行該腳本時，它訓(xùn)練一個 ML 模型，然后將其保存以供將來使用。

首先，我強調(diào)了為應(yīng)用程序訓(xùn)練 ML 模型時的一些重要考慮事項。

培訓(xùn)模型前的注意事項

從模型選擇到數(shù)據(jù)集的復(fù)雜性和大小，數(shù)據(jù)從業(yè)者必須戰(zhàn)略性地規(guī)劃資源和期望的需求。在培訓(xùn)模型之前要考慮的因素包括：

型號的選擇

解釋能力

模型超參數(shù)

硬件的選擇

數(shù)據(jù)大小

型號的選擇

您可以使用許多類 ML 模型來解決問題。您選擇的模型取決于您的用例和可能的約束。

解釋能力

如果要將您的模型部署為在受監(jiān)管行業(yè)（如金融或醫(yī)療保?。┲羞\行的系統(tǒng)的一部分，則您的模型可能是 explainable 。這意味著，對于模型做出的任何預(yù)測，都可以說明模型做出該決定的原因。

在這種情況下，您可能希望使用易于解釋的 linear regression 或 logistic regression 等模型。

模型超參數(shù)

模型具有可調(diào)超參數(shù)。了解這些超參數(shù)對應(yīng)于什么以及它們?nèi)绾斡绊懩Ｐ头浅Ｖ匾?/p>

根據(jù)超參數(shù)的選擇，模型的性能可能會發(fā)生很大變化。

硬件的選擇

大多數(shù)數(shù)據(jù)從業(yè)者都知道，模型訓(xùn)練通?？梢栽?GPU 上加速。但即使在您進入模型訓(xùn)練階段之前， GPU 也可以極大地幫助您的數(shù)據(jù)科學(xué)工作流。

從預(yù)處理管道到數(shù)據(jù)探索和可視化，一切都可以加快。這有助于您更快地迭代并嘗試更昂貴的計算技術(shù)。

數(shù)據(jù)大小

當(dāng)處理比一個內(nèi)核或機器上的內(nèi)存更大的數(shù)據(jù)時，重要的是要考慮充分利用所有數(shù)據(jù)的技術(shù)。

也許使用 RAPID 等工具轉(zhuǎn)移到 GPU 來加速 pandas 和 scikit-learn 風(fēng)格的工作流是有意義的?；蛘吣憧赡芟胙芯恳粋€擴展框架，比如 Dask ，它可以擴展模型訓(xùn)練和數(shù)據(jù)處理，無論你是在 CPU 還是 GPU 上工作。

了解數(shù)據(jù)集

在本文中，您在一個經(jīng)典數(shù)據(jù)集上訓(xùn)練一個模型： UCI Machine Learning Repository 中的 Iris Dataset 。這個數(shù)據(jù)集包含 150 朵鳶尾花的花瓣長度和寬度以及萼片長度和寬度的記錄。每個虹膜屬于三種類型之一： setosa 、 virginica 或 versicolor 。

你使用這些數(shù)據(jù)來訓(xùn)練分類模型，目的是根據(jù)花瓣和萼片的尺寸來預(yù)測虹膜的類型。

CPU 培訓(xùn)

在部署 ML 模型之前，必須首先構(gòu)建一個 ML 模型。首先下載流行的 Iris Dataset 。本示例假設(shè)虹膜數(shù)據(jù)集已下載并保存為當(dāng)前工作目錄中的iris.data。

要訓(xùn)練邏輯回歸模型，請執(zhí)行以下步驟：

閱讀培訓(xùn)數(shù)據(jù)。

將訓(xùn)練數(shù)據(jù)拆分為要素和標(biāo)簽。

將數(shù)據(jù)分成訓(xùn)練和測試集（ 75% 是訓(xùn)練數(shù)據(jù)， 25% 是測試數(shù)據(jù)）。

訓(xùn)練 Logistic Regression 模型。

堅持訓(xùn)練后的模型。

import joblib
import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split

def run_training():
    """
    Train the model
    """
    # Read the training data
    dataset = pd.read_csv(
        filepath_or_buffer="iris.data",
        names=["sepal_length_cm", "sepal_width_cm", "petal_length_cm", "petal_width_cm", "class"]
        )

    # Split into labels and targets
    X = dataset.drop("class", axis=1).copy()
    y = dataset["class"].copy()

    # Create train and test set
    X_train, X_test, y_train, y_test = train_test_split(
        X, y, test_size=0.25, random_state=26)

    # Training the model
    model = LogisticRegression(random_state=26)
    model.fit(X_train, y_train)

    # Persist the trained model
    joblib.dump(model, "logistic_regression_v1.pkl")

if __name__ == "__main__":
    run_training()

train_test_split和LogisticRegression調(diào)用中的random_state參數(shù)有助于確保該腳本每次運行時都產(chǎn)生相同的結(jié)果。

運行腳本會生成一個保存在文件logistic_regression_v1.pkl中的模型，您可以使用該模型根據(jù)花瓣和萼片的尺寸對其他虹膜進行分類。

GPU 加速模型訓(xùn)練

在本例中，您使用的是一個小數(shù)據(jù)集，僅包含 150 行數(shù)據(jù)。由于數(shù)據(jù)的簡單性，該模型在 CPU 上幾秒鐘就能訓(xùn)練。

然而，在處理真實世界數(shù)據(jù)集時，模型訓(xùn)練成為瓶頸并不罕見。在這種情況下，通常可以通過使用 GPU 而不是 CPU 來加快工作流的模型訓(xùn)練階段。

例如， RAPIDS 提供了一套開源軟件工具，使數(shù)據(jù)科學(xué)家和工程師能夠在 GPU 上快速運行工作負載和數(shù)據(jù)科學(xué)管道。通過模仿常見數(shù)據(jù)科學(xué)庫（如pandas和scikit-learn）的 API ，您可以通過少量代碼更改來加快機器學(xué)習(xí)模型訓(xùn)練（以及探索性數(shù)據(jù)科學(xué)）。

接下來是什么？

現(xiàn)在您已經(jīng)有了一個經(jīng)過培訓(xùn)的模型，可以考慮將其部署到生產(chǎn)環(huán)境中。在下一篇文章 Machine Learning in Practice: Deploy an ML Model on Google Cloud Platform 中，您將學(xué)習(xí)在 GCP 上部署模型的三種方法。