scikit-learn 추정기는 컴퓨팅 대상에서 scikit-learn 학습 작업을 시작하는 간단한 방법을 제공합니다. 단일 노드 CPU 교육을 지원하는 데 사용할 수 있는 SKLearn 클래스를 통해 구현됩니다.
예:
azureml.train.sklearn 가져오기 SKLearn에서
}
추정기 = SKLearn(source_directory=project_folder,
compute_target=compute_target,
entry_script='train_iris.py'
)
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-train-scikit-learn

설명

상자 1: StandardScaler
StandardScaler는 데이터가 각 기능 내에 정상적으로 분포되어 있다고 가정하고 이제 분포가 0을 중심으로 표준 편차가 1이 되도록 크기를 조정합니다.
예:
이제 모든 기능이 서로에 대해 동일한 축척에 있습니다.
상자 2: 최소 최대 스케일러
분포의 왜곡도는 유지되지만 3개의 분포가 겹치도록 동일한 척도로 가져옵니다.
상자 3: 노멀라이저
참조:
http://benalexkeen.com/feature-scaling-with-scikit-learn/

설명:
상자 1: 아니오
max_total_runs (여기서는 50)
생성할 최대 총 실행 수입니다. 이것이 상한선입니다. 샘플 공간이 이 값보다 작은 경우 실행 횟수가 적을 수 있습니다.
상자 2: 예
정책 EarlyTerminationPolicy
사용할 조기 종료 정책입니다. 없음 - 기본값인 경우 조기 종료 정책이 사용되지 않습니다.
상자 3: 아니오
불연속 하이퍼파라미터는 불연속 값 중에서 선택 항목으로 지정됩니다. 선택은 다음과 같을 수 있습니다.
하나 이상의 쉼표로 구분된 값
범위 개체
임의의 목록 객체
참조:
https://docs.microsoft.com/en-us/python/api/azureml-train-core/azureml.train.hyperdrive.hyperdriveconfig
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters

process_step 및 train_step의 두 단계가 있습니다.
메모:
PipelineData 개체를 한 단계의 출력으로 제공하고 하나 이상의 후속 단계의 입력으로 제공하여 파이프라인에서 사용되는 데이터를 한 단계에서 생성하고 다른 단계에서 사용할 수 있습니다.
PipelineData 개체는 파이프라인을 구성하여 단계 종속성을 설명할 때도 사용됩니다. 단계가 다른 단계의 출력을 입력으로 요구하도록 지정하려면 두 단계의 생성자에서 PipelineData 객체를 사용합니다.
예를 들어 파이프라인 학습 단계는 파이프라인 프로세스 단계의 process_step_output 출력에 따라 달라집니다.
azureml.pipeline.core 가져오기 파이프라인, PipelineData에서
azureml.pipeline.steps 가져오기 PythonScriptStep에서
데이터 저장소 = ws.get_default_datastore()
process_step_output = PipelineData("processed_data", datastore=datastore) process_step = PythonScriptStep(script_name="process.py", arguments=["--data_for_train", process_step_output], outputs=[process_step_output], compute_target=aml_compute, source_directory=process_directory) train_step = PythonScriptStep(script_name="train.py", arguments=["--data_for_train", process_step_output], inputs=[process_step_output], compute_target=aml_compute, source_directory=train_directory) pipeline = 파이프라인(workspace=ws, steps=[process_step , train_step]) 참조:
https://docs.microsoft.com/en-us/python/api/azureml-pipeline-core/azureml.pipeline.core.pipelinedata?view=azure-ml-py