Puedes implementar modelos scikit-learn entrenados en Kaggle para AI Platform Prediction a fin de entregar predicciones a gran escala.
En este episodio de AI Adventures, se explica el flujo de trabajo básico sobre cómo llevar un modelo entrenado a cualquier lugar, incluido Kaggle, y entregar predicciones en línea en AI Platform Prediction.
Descripción general
- Entrena tu modelo scikit-learn en Kaggle. Puedes ver un ejemplo en esta introducción a scikit-learn. Consulta cómo crear un kernel de notebook en Kaggle.
Guarda tu modelo mediante la biblioteca
sklearn.externals.joblib
y asegúrate de asignar el nombremodel.joblib
al archivo. Selecciona el botón Confirmar y ejecutar para ejecutar todas las celdas de código del kernel en orden. De este modo, se guarda y ejecuta tu código de entrenamiento de modelos.Descarga
model.joblib
desde los resultados de tu kernel.Sube tu archivo
model.joblib
a Cloud Storage.Crea recursos de modelos y de versiones en AI Platform Prediction mediante la consola de Google Cloud y proporciona información sobre cómo entrenaste tu modelo y dónde lo almacenaste en Cloud Storage.
Envía una solicitud de predicción.
Encuentra los archivos de tu modelo en Kaggle
Puedes descargar los archivos de tu modelo desde la pestaña Resultado de tu kernel.
En el vínculo principal a tu kernel, https://www.kaggle.com/[YOUR-USER-NAME]/[YOUR-KERNEL-NAME]/, realiza los siguientes pasos:
- Selecciona la pestaña Resultado en la parte superior de la página.
- Tu archivo
model.joblib
aparece en una lista de Fuentes de datos. Para descargar el archivo, selecciona el botón Descargar todo. De forma alternativa, desplaza el mouse sobre el nombre del modelo y luego selecciona el ícono descargar que aparece junto al nombre del modelo.
¿Qué sigue?
- Consulta un video de introducción a kernels de Kaggle y obtén más información sobre las ventajas de usar Kaggle.
- Consulta cómo implementar un modelo en AI Platform Prediction.
- Consulta la documentación sobre kernels de Kaggle.