Model dağıtımı

Python'da Machine Learning İş Akışları Tasarlama

Dr. Chris Anagnostopoulos

Honorary Associate Professor

Özellik seçimi, model seçimi, ayarlama ve eğitimi içeren bir model pipeline’ı, tahmin için eğitilmiş pipeline’ı kullanan üretim pipeline’ına aktarılır.

Modelinizi serileştirme

Bir sınıflandırıcıyı dosyaya kaydedin:

import pickle
clf = RandomForestClassifier().fit(X_train, y_train)
with open('model.pkl', 'wb') as file:
    pickle.dump(clf, file=file)

Dosyadan yeniden yükleyin:

with open('model.pkl', 'rb') as file:
    clf2 = pickle.load(file)

Pipeline’ı serileştirme

Geliştirme ortamı:

vt = SelectKBest(f_classif).fit(
    X_train, y_train)
clf = RandomForestClassifier().fit(
    vt.transform(X_train), y_train)
with open('vt.pkl', 'wb') as file: 
     pickle.dump(vt)
with open('clf.pkl', 'wb') as file: 
     pickle.dump(clf)

Özellik seçici nesnesi ile eğitilmiş modelin ayrı ayrı üretime aktarılması gereken bir iş akışı.

Pipeline’ı serileştirme

Canlı ortam:

with open('vt.pkl', 'rb') as file: 
    vt = pickle.load(vt)
with open('clf.pkl', 'rb') as file: 
    clf = pickle.load(clf)
clf.predict(vt.transform(X_new))

Özellik seçici nesnesi ile eğitilmiş modelin ayrı ayrı üretime aktarılması gereken bir iş akışı.

Pipeline’ı serileştirme

Geliştirme ortamı:

pipe = Pipeline([
    ('fs', SelectKBest(f_classif)), 
    ('clf', RandomForestClassifier())
])
params = dict(fs__k=[2, 3, 4],
    clf__max_depth=[5, 10, 20])
gs = GridSearchCV(pipe, params)
gs = gs.fit(X_train, y_train)

with open('pipe.pkl', 'wb') as file:
    pickle.dump(gs, file)

Özellik seçimi ve model eğitiminin tek bir pipeline nesnesinde birleştirildiği optimize edilmiş iş akışı.

Pipeline’ı serileştirme

Canlı ortam:

with open('pipe.pkl', 'rb') as file:
   gs = pickle.dump(gs, file)
gs.predict(X_test)

Özellik seçimi ve model eğitiminin tek bir pipeline nesnesinde birleştirildiği optimize edilmiş iş akışı.

Özel özellik dönüşümleri

   checking_status  duration       ...        own_telephone  foreign_worker
0                1         6       ...                    1               1
1                0        48       ...                    0               1

def negate_second_column(X):
    Z = X.copy()
    Z[:,1] = -Z[:,1]
    return Z

pipe = Pipeline([('ft', FunctionTransformer(negate_second_column)), 
    ('clf', RandomForestClassifier())])

Canlıya hazır!

Python'da Machine Learning İş Akışları Tasarlama