Deploy model

Merancang Alur Kerja Machine Learning di Python

Dr. Chris Anagnostopoulos

Honorary Associate Professor

Sebuah objek pipeline model berisi seleksi fitur, pemilihan model, tuning, dan pelatihan didorong ke pipeline produksi yang memakai pipeline terlatih untuk prediksi.

Men-serialisasi model Anda

Simpan classifier ke file:

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

Muat kembali dari file:

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

Men-serialisasi pipeline Anda

Lingkungan pengembangan:

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)

Alur kerja di mana objek selektor fitur dan model terlatih harus keduanya didorong terpisah ke produksi.

Men-serialisasi pipeline Anda

Lingkungan produksi:

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))

Alur kerja di mana objek selektor fitur dan model terlatih harus keduanya didorong terpisah ke produksi.

Men-serialisasi pipeline Anda

Lingkungan pengembangan:

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)

Alur kerja teroptimasi: seleksi fitur dan pelatihan model berada dalam satu objek pipeline.

Men-serialisasi pipeline Anda

Lingkungan produksi:

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

Alur kerja teroptimasi: seleksi fitur dan pelatihan model berada dalam satu objek pipeline.

Transformasi fitur kustom

   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())])

Siap produksi!

Merancang Alur Kerja Machine Learning di Python