在 Kaggle 和 AI Platform Prediction 上使用 scikit-learn

您可以将使用 Kaggle 训练的 scikit-learn 模型部署到 AI Platform Prediction，以便大规模提供预测服务。

AI 精彩旅程系列的这一篇介绍了基本的工作流，如何将在任意地方（包括 Kaggle）训练的模型用于从 AI Platform Prediction 中提供在线预测服务。

概览

1. 在 Kaggle 上训练 scikit-learn 模型。您可以在这篇关于 scikit-learn 的介绍中查看示例。 了解如何在 Kaggle 上创建笔记本内核。

2. 使用 sklearn.externals.joblib 库保存模型，并确保将文件命名为 model.joblib。点击提交和运行按钮，按顺序执行所有内核代码单元。此操作会保存并运行您的模型训练代码。

   注意：为了导出与 AI Platform Prediction 兼容的 joblib 模型工件，您必须使用通过 scikit-learn 分发的 joblib 版本，而不是独立版本。如需在 Python 中导入该库，请使用语句 from sklearn.externals import joblib。

3. 从内核输出中下载 model.joblib。

4. 将 model.joblib 文件上传到 Cloud Storage。

5. 使用 Google Cloud 控制台在 AI Platform Prediction 上创建模型和版本资源，并提供有关您如何训练模型以及您在 Cloud Storage 的何处存储模型的信息。

6. 发送预测请求。

在 Kaggle 中找到模型文件

您可以从内核的输出标签页下载模型文件。

访问内核的主链接 https://www.kaggle.com/[YOUR-USER-NAME]/[YOUR-KERNEL-NAME]/，执行以下操作：

1. 选择页面顶部的输出标签页。
2. model.joblib 文件会显示在数据源列表中。如需下载该文件，请点击下载全部按钮。或者，将鼠标悬停在模型名称上，然后点击模型名称旁边的下载图标。

后续步骤

• 观看 Kaggle Kernels 的视频介绍，并详细了解有关使用 Kaggle 的优势。
• 参阅如何在 AI Platform Prediction 上部署模型。
• 查看有关 Kaggle Kernels 的文档。