scikit-learn auf Kaggle und AI Platform verwenden

Sie können in AI Platform scikit-learn-Modelle bereitstellen, die in Kaggle trainiert wurden, um Vorhersagen in großem Maßstab zu liefern.

In dieser Folge von AI Adventures wird der grundlegende Workflow dafür erläutert, wie Modelle, die z. B. in Kaggle extern trainiert wurden, bereitgestellt werden und Onlinevorhersagen aus AI Platform Prediction liefern können.

Überblick

  1. Trainieren Sie Ihr scikit-learn-Modell auf Kaggle. In dieser Einführung zu scikit-learn wird ein entsprechendes Beispiel erläutert. Hier finden Sie eine Anleitung dazu, wie Sie auf Kaggle einen Notebook-Kernel erstellen.

  2. Speichern Sie Ihr Modell mithilfe der Bibliothek sklearn.externals.joblib und nennen Sie die Datei model.joblib. Klicken Sie auf die Schaltfläche Commit & Run (Commit durchführen & ausführen), um alle Kernel-Codezellen der Reihe nach auszuführen. Dadurch wird der Trainingscode für Ihr Modell gespeichert und ausgeführt.

  3. Laden Sie model.joblib aus den Kernel-Ausgaben herunter.

  4. Laden Sie die Datei model.joblib in Cloud Storage hoch.

  5. Erstellen Sie mithilfe der Google Cloud Console Modell- und Versionsressourcen auf AI Platform Prediction und geben Sie Informationen dazu, wie Sie Ihr Modell trainiert haben und wo es in Cloud Storage gespeichert wurde.

  6. Senden Sie eine Vorhersageanfrage.

Ihre Modelldateien in Kaggle finden

Sie können Ihre Modelldateien über den Tab Output (Ausgabe) in Ihrem Kernel herunterladen.

Rufen Sie den Hauptlink zu Ihrem Kernel (https://www.kaggle.com/[IHR-BENUTZERNAME]/[IHR-KERNEL-NAME]/) auf und gehen Sie so vor:

  1. Klicken Sie auf den Tab Output (Ausgabe) oben auf der Seite.
  2. Die Datei model.joblib wird in einer Liste von Datenquellen angezeigt. Klicken Sie zum Herunterladen der Datei auf die Schaltfläche Download All (Alle herunterladen). Alternativ können Sie den Mauszeiger über den Namen des Modells bewegen und dann das eingeblendete Download-Symbol anklicken.

Nächste Schritte