Comienza a usar el algoritmo integrado XGBoost

Con los algoritmos integrados en AI Platform, puedes enviar tus datos de entrenamiento, seleccionar un algoritmo y permitir que en AI Platform Training se controlen el procesamiento previo y el entrenamiento, sin escribir ningún código para una aplicación de entrenamiento.

Descripción general

En este instructivo, entrenas un modelo XGBoost sin escribir código. Envías el Conjunto de datos de ingresos del censo a AI Platform para su procesamiento previo y entrenamiento y, luego, implementas el modelo en AI Platform a fin de obtener predicciones. Con el modelo que surge como resultado, se predice la probabilidad de que el ingreso anual de una persona sea mayor que $50,000.

Antes de comenzar

Para completar este instructivo en la línea de comandos, usa Cloud Shell o cualquier entorno en el que esté instalado el SDK de Cloud.

Completa los siguientes pasos para configurar una cuenta de GCP, habilitar las API necesarias, y también instalar y activar el SDK de Cloud.

  1. Accede a tu Cuenta de Google.

    Si todavía no tienes una cuenta, regístrate para obtener una nueva.

  2. En GCP Console, en la página de selección de proyecto, selecciona o crea un proyecto de GCP.

    Ir a la página de selección de proyecto

  3. Asegúrate de tener habilitada la facturación para tu proyecto de Google Cloud Platform. Obtén información sobre cómo confirmar que tienes habilitada la facturación para tu proyecto.

  4. Habilita lasAI Platform (“Cloud Machine Learning Engine”) and Compute EngineAPIAPI.

    Habilita lasAPI

  5. Instala e inicializa el SDK de Cloud.

Configuración

Para usar algoritmos integrados, debes quitar la fila del encabezado de tu archivo CSV y mover los valores de destino a la primera columna. Modificamos el conjunto de datos del censo original a fin de usarlo en este instructivo y lo alojamos en un depósito público de Cloud Storage, gs://cloud-samples-data/ai-platform/census/algorithms/data/.

Console

Antes de comenzar tu trabajo de entrenamiento, debes copiar los datos de nuestro depósito público de Cloud Storage en tu depósito.

Copia los datos de muestra en tu depósito de Cloud Storage

  1. Primero, descarga los datos de entrenamiento y pruebas desde nuestro depósito público de Cloud Storage.

    1. Navega a nuestro depósito público de Cloud Storage:

      Obtén los datos de muestra

    2. Descarga test.csv y train.csv:

      1. Haz clic en el nombre del archivo.

      2. En la página Detalles del objeto, haz clic en Descargar. Estos archivos se descargan en tu entorno local como ai-platform_census_algorithms_data_test.csv y ai-platform_census_algorithms_data_train.csv, respectivamente.

  2. A continuación, sube los datos de entrenamiento y pruebas a tu depósito de Cloud Storage.

    1. Navega a la página del navegador de tu depósito de Cloud Storage. Selecciona tu proyecto de la lista desplegable Seleccionar un proyecto o ábrelo en una pestaña nueva:

      Página del navegador de Cloud Storage

    2. Haz clic en el nombre del depósito que deseas usar o crea uno nuevo si todavía no tienes uno. (Si creas un depósito nuevo, asegúrate de que sea regional y selecciona la misma región en la que estás ejecutando el trabajo de entrenamiento de AI Platform).

    3. (Opcional) Haz clic en Crear carpeta a fin de crear una carpeta para los archivos que subas. Ingresa un nombre para la carpeta (por ejemplo, “datos”) y haz clic en Crear. A continuación, navega a la carpeta nueva; para ello, haz clic en el nombre de la carpeta.

    4. Haz clic en Subir archivos para subir los archivos de entrenamiento y prueba, ai-platform_census_algorithms_data_train.csv y ai-platform_census_algorithms_data_test.csv, a tu depósito.

Ahora que los datos están copiados en tu depósito, puedes comenzar un trabajo de entrenamiento; para ello, selecciona el tipo de algoritmo que deseas usar.

Selecciona tu algoritmo

  1. Ve a la página Trabajos de AI Platform en Google Cloud Platform Console:

    Página Trabajos de AI Platform

  2. Haz clic en el botón Trabajo de entrenamiento nuevo. De las opciones que se muestran a continuación, haz clic en Entrenamiento de modelos integrados. Aparecerá la página Crea un nuevo trabajo de entrenamiento.

  3. La creación de un trabajo de entrenamiento se divide en cuatro pasos. El primero es el Algoritmo de entrenamiento. Selecciona XGBoost integrado y haz clic en Siguiente.

gcloud

Configura las variables del entorno para el ID de tu proyecto, tu depósito de Cloud Storage, la ruta de Cloud Storage a los datos de entrenamiento y la selección del algoritmo.

Los algoritmos integrados de AI Platform se encuentran en contenedores de Docker alojados en Container Registry.

PROJECT_ID="[YOUR-PROJECT-ID]"
BUCKET_NAME="[YOUR-BUCKET-NAME]"
REGION="us-central1"
gcloud config set project $PROJECT_ID
gcloud config set compute/region $REGION

# Copy the training data into your Cloud Storage bucket, and set the path
# to your copy of the training data.
TRAINING_DATA_SOURCE="gs://cloud-samples-data/ai-platform/census/algorithms/data/train.csv"
TRAINING_DATA_PATH="gs://$BUCKET_NAME/algorithms-demo/data/train.csv"
gsutil cp $TRAINING_DATA_SOURCE $TRAINING_DATA_PATH

# Specify the Docker container URI specific to the algorithm.
IMAGE_URI="gcr.io/cloud-ml-algos/boosted_trees:latest"

Envía un trabajo de entrenamiento

Para enviar un trabajo, debes especificar algunos argumentos de entrenamiento básicos y algunos argumentos básicos relacionados con el algoritmo XGBoost.

Argumentos generales para el trabajo de entrenamiento:

Argumentos del trabajo de entrenamiento
Argumento Descripción
job-id ID único para el trabajo de entrenamiento. Puedes usarlo para encontrar registros sobre el estado de tu trabajo de entrenamiento una vez que lo hayas enviado.
job-dir La ruta de Cloud Storage en que AI Platform guarda los archivos de entrenamiento tras completar un trabajo de entrenamiento correctamente.
scale-tier Especifica los tipos de máquina para el entrenamiento. Usa BASIC para seleccionar una configuración de una sola máquina.
master-image-uri El URI de Container Registry usado para especificar qué contenedor de Docker se usará en el trabajo de entrenamiento. Usa el contenedor para el algoritmo integrado XGBoost definido anteriormente como IMAGE_URI.
region Especifica la región disponible en la que se ejecuta tu trabajo de entrenamiento. Para este instructivo, puedes usar la región us-central1.

Argumentos específicos del algoritmo integrado XGBoost:

Argumentos del algoritmo
Argumento Descripción
preprocess Argumento booleano que indica si AI Platform debe o no procesar previamente los datos.
objective Indica la tarea de aprendizaje y su objetivo de aprendizaje correspondiente. En este ejemplo, “binary:logistic”.
training_data_path Ubicación en Cloud Storage de los datos de entrenamiento, que debe ser un archivo CSV.

Para obtener una lista detallada de todas las marcas de algoritmos XGBoost, consulta la referencia sobre el algoritmo integrado XGBoost.

Console

  1. Deja Habilitar el procesamiento previo automático de los datos marcado.

  2. Para la Ruta de acceso a los datos de entrenamiento, haz clic en Explorar. En el panel derecho, haz clic en el nombre del depósito en el que subiste los datos de entrenamiento y navega hasta tu archivo ai-platform_census_algorithms_data_train.csv.

  3. Deja los campos Datos de validación y Datos de prueba con su configuración predeterminada.

  4. En Directorio de salida, ingresa la ruta de acceso a tu depósito de Cloud Storage en el que deseas que AI Platform almacene los resultados de tu trabajo de entrenamiento. Puedes rellenar la ruta de acceso de tu depósito de Cloud Storage directamente o hacer clic en el botón Explorar para seleccionarlo.

    A fin de mantener el orden, crea un directorio nuevo dentro de tu depósito de Cloud Storage para este trabajo de entrenamiento. Puedes hacerlo desde el panel Explorar.

    Haz clic en Siguiente.

  5. Para Objetivo, selecciona “binary:logistic”, que indica una tarea de aprendizaje binario y un objetivo de regresión logística.

  6. Para Tipo de modelo, selecciona Clasificación.

  7. Deja todos los otros campos con su configuración predeterminada y, a continuación, haz clic en Siguiente.

  8. En la página Configuración del trabajo, haz lo siguiente:

    1. Ingresa un ID de trabajo único (como “xgboost_example”).
    2. Ingresa una región disponible (como "us-central1").
    3. Selecciona “BASIC” para el nivel de escala.

    Haz clic en Listo a fin de enviar el trabajo de entrenamiento.

gcloud

  1. Configura todos los argumentos para el trabajo de entrenamiento y el algoritmo antes de usar gcloud a fin de enviar el trabajo:

    DATASET_NAME="census"
    ALGORITHM="xgboost"
    MODEL_TYPE="classification"
    MODEL_NAME="${DATASET_NAME}_${ALGORITHM}_${MODEL_TYPE}"
    
    # Give a unique name to your training job.
    DATE="$(date '+%Y%m%d_%H%M%S')"
    JOB_ID="${MODEL_NAME}_${DATE}"
    
    # Make sure you have access to this Cloud Storage bucket.
    JOB_DIR="gs://${BUCKET_NAME}/algorithms_training/${MODEL_NAME}/${DATE}"
    
  2. Envía el trabajo:

    gcloud ai-platform jobs submit training $JOB_ID \
      --master-image-uri=$IMAGE_URI --scale-tier=BASIC --job-dir=$JOB_DIR \
      -- \
      --preprocess --objective=binary:logistic \
      --training_data_path=$TRAINING_DATA_PATH
    

  3. Una vez que enviaste el trabajo de forma correcta, puedes ver los registros con la ejecución de los siguientes comandos de gcloud:

    gcloud ai-platform jobs describe $JOB_ID
    gcloud ai-platform jobs stream-logs $JOB_ID
    

Obtén información sobre tu directorio de trabajos

Una vez que tu trabajo de entrenamiento se completa de forma correcta, AI Platform crea un modelo entrenado en tu depósito de Cloud Storage, junto con otros artefactos. Puedes buscar la siguiente estructura de directorio dentro de tu JOB_DIR:

  • model/
    • model.pkl
    • deployment_config.yaml
  • artifacts/
    • instance_generator.py
    • metadata.json
  • processed_data/
    • training.csv
    • validation.csv
    • test.csv

Confirma que la estructura de tu directorio en JOB_DIR coincida con la que se muestra a continuación:

gsutil ls -a $JOB_DIR/*

Implementa el modelo entrenado

AI Platform organiza tus modelos entrenados mediante los recursos de modelo y versión. Un modelo de AI Platform es un contenedor para las versiones de tu modelo de aprendizaje automático.

Para implementar un modelo, crea un recurso de modelo en AI Platform, crea una versión de ese modelo y, luego, usa el modelo y la versión para solicitar predicciones en línea.

Si deseas obtener más información sobre cómo implementar modelos en AI Platform, consulta cómo implementar un modelo de scikit-learn o XGBoost.

Console

  1. En la página Trabajos puedes encontrar una lista de todos tus trabajos de entrenamiento. Haz clic en el nombre del trabajo de entrenamiento que acabas de enviar ("xgboost_example" o el nombre del trabajo que usaste).

  2. En la página Detalles del trabajo, puedes ver el progreso general de tu trabajo, o haz clic en Ver registros para obtener una vista más detallada de su progreso.

  3. Cuando el trabajo se haya completado correctamente, aparecerá el botón Implementar modelo en la parte superior. Haz clic en Implementar modelo.

  4. Selecciona "Implementar como modelo nuevo" y, luego, ingresa un nombre de modelo, como "xgboost_model". A continuación, haz clic en Confirmar.

  5. En la página Crear versión, ingresa un nombre de versión, como "v1", y deja todos los otros campos con su configuración predeterminada. Haz clic en Guardar.

gcloud

El proceso de entrenamiento con el algoritmo XGBoost integrado genera un archivo, deployment_config.yaml, que facilita la implementación del modelo en AI Platform para realizar las predicciones.

  1. Copia el archivo a tu directorio local y visualiza su contenido:

    gsutil cp $JOB_DIR/model/deployment_config.yaml .
    cat deployment_config.yaml
    

    El archivo deployment_config.yaml debería ser similar al que se muestra a continuación:

    deploymentUri: gs://BUCKET_NAME/algorithms_training/census_xgboost_classification/20190227060114/model
    framework: XGBOOST
    labels:
      job_id: census_xgboost_classification_20190227060114
      error_percentage: '14'
    runtimeVersion: '1.12'
    
  2. Crea el modelo y la versión en AI Platform:

    MODEL_NAME="${DATASET_NAME}_${ALGORITHM}_${MODEL_TYPE}"
    gcloud ai-platform models create $MODEL_NAME --regions $REGION
    
    # Create a model and a version using the file above.
    VERSION_NAME="v_${DATE}"
    
    gcloud ai-platform versions create $VERSION_NAME \
      --model $MODEL_NAME \
      --config deployment_config.yaml
    

    La versión tarda unos minutos en crearse.

Obtén predicciones en línea

Cuando solicitas predicciones, debes asegurarte de que tus datos de entrada tengan el mismo formato que los datos de entrenamiento. Antes del entrenamiento, AI Platform procesa con anterioridad tus datos, ya que los transforma en el corpus que se muestra en metadata.json.

Puedes usar instance_generator.py para aplicar las mismas transformaciones de preprocesamiento a tus instancias de entrada que AI Platform aplica a tus datos de entrenamiento. Este archivo lee la información de asignación almacenada en el archivo metadata.json. También puedes usar la función transform_string_instance en el módulo para transformar tu string sin procesar en un formato que el modelo acepte.

  1. Descarga los archivos de artefactos de entrenamiento y revisa metadata.json:

    gsutil cp $JOB_DIR/artifacts/* .
    
    # Let's look at the metadata.json file
    head metadata.json
    
  2. Usa instance_generator.py a fin de preparar la entrada de predicción para una instancia de datos:

     # ground truth is >50K
    RAW_DATA_POINT="44, Private, 160323, Some-college, 10, Married-civ-spouse, Machine-op-inspct, Husband, Black, Male, 7688, 0, 40, United-States"
    
     # Now let's create a JSON prediction request
    python instance_generator.py --raw_data_string="${RAW_DATA_POINT}" > sample_input.json
    
    # Let's look at the prediction request file.
    cat sample_input.json
    
  3. Envía la solicitud de predicción:

    gcloud ai-platform predict \
      --model $MODEL_NAME \
      --version $VERSION_NAME \
      --json-instances sample_input.json
    

La predicción que surge como resultado debería ser un número mayor que 0.5, lo cual indica que es factible que la persona gane un salario superior a $50,000.

Acerca de los datos

El Conjunto de datos de ingresos del censo que se usa en este ejemplo para el entrenamiento está alojado en el UC Irvine Machine Learning Repository.

Los datos del censo son cortesía de Lichman, M. (2013). UCI Machine Learning Repositoryhttp://archive.ics.uci.edu/ml. Irvine, CA: University of California, School of Information and Computer Science.

Próximos pasos

¿Te sirvió esta página? Envíanos tu opinión:

Enviar comentarios sobre…

¿Necesitas ayuda? Visita nuestra página de asistencia.