Primeiros passos com o algoritmo XGBoost integrado

Com algoritmos integrados no AI Platform, é possível enviar os dados de treinamento, selecionar um algoritmo e permitir que o AI Platform realize o pré-processamento e o treinamento, sem escrever códigos de um aplicativo de treinamento.

Visão geral

Neste tutorial, você treinará um modelo XGBoost sem escrever códigos. Você enviará o conjunto de dados de renda do censo ao AI Platform para o pré-processamento e treinamento, e implantará o modelo no AI Platform para receber predições. O modelo resultante prevê a probabilidade de a renda anual de um indivíduo ser maior que US$ 50.000.

Antes de começar

Para concluir este tutorial na linha de comando, use o Cloud Shell ou qualquer ambiente em que o SDK do Cloud esteja instalado.

Conclua os passos a seguir para configurar uma conta do GCP, ativar as APIs obrigatórias, instalar o SDK do Cloud e ativá-lo.

  1. Faça login na sua Conta do Google.

    Se você ainda não tiver uma, inscreva-se.

  2. No Console do GCP, acesse a página Gerenciar recursos e selecione ou crie um projeto.

    Acessar a página Gerenciar recursos

  3. Verifique se o faturamento foi ativado para o projeto.

    Saiba como ativar o faturamento

  4. Ativar AI Platform ("Cloud Machine Learning Engine") and Compute Engine APIs.

    Ativar as APIs

  5. Instale e inicialize o SDK do Cloud.

Se você já configurou uma conta para usar com o AI Platform e instalou o SDK do Cloud, atualize a gcloud beta:

gcloud components install beta

Configurar

Para usar algoritmos integrados, remova a linha de cabeçalho do arquivo CSV e mova os valores de destino para a primeira coluna. O conjunto de dados do censo original foi modificado para ser usado com este tutorial. Ele foi hospedado em um intervalo público do Cloud Storage, gs://cloud-samples-data/ml-engine/census/algorithms/data/.

Console

Para iniciar o job de treinamento, você precisa copiar os dados do nosso intervalo público do Cloud Storage para seu intervalo do Cloud Storage.

Copiar os dados de amostra para seu intervalo do Cloud Storage

  1. Primeiro, faça o download dos dados de treinamento e teste do intervalo público do Cloud Storage.

    1. Acesse o intervalo público do Cloud Storage:

      Receber os dados de amostra

    2. Clique no nome de cada arquivo: test.csv e train.csv. Esses arquivos são transferidos para o ambiente local como ml-engine_census_algorithms_data_test.csv e ml-engine_census_algorithms_data_train.csv, respectivamente.

  2. Em seguida, faça upload dos dados de treinamento e teste para seu intervalo do Cloud Storage.

    1. Acesse a página "Navegador" do intervalo do Cloud Storage. Selecione o projeto na lista suspensa Selecione um projeto ou o abra em uma nova guia:

      Página "Navegador" do Cloud Storage

    2. Clique no nome do intervalo a ser usado ou crie um novo caso não tenha um. Se você criar um novo intervalo, verifique se ele é regional e selecione a mesma região em que estiver executando o job de treinamento do AI Platform.

    3. (Opcional) Clique em Criar pasta para criar uma pasta para os arquivos enviados por upload. Digite um nome para a pasta (por exemplo, "dados") e clique em Criar. Em seguida, acesse a nova pasta clicando no nome.

    4. Clique em Fazer upload de arquivos para carregar os arquivos de treinamento e teste ml-engine_census_algorithms_data_train.csv e ml-engine_census_algorithms_data_test.csv para o intervalo.

Agora que os dados estão copiados para o intervalo, inicie um job de treinamento selecionando o tipo de algoritmo que você quer usar.

Selecionar o algoritmo

  1. Acesse a página "Jobs" do AI Platform no Console do Google Cloud Platform:

    Página "Jobs" do AI Platform

  2. Clique no botão Novo job de treinamento. Nas opções exibidas abaixo, clique em Treinamento de modelo integrado. A página Criar um novo job de treinamento é exibida.

  3. A criação do job de treinamento é dividida em quatro passos. A primeira é o algoritmo de treinamento. Selecione XGBoost integrado e clique em Avançar.

gcloud

Configure variáveis de ambiente para o ID do projeto, o intervalo do Cloud Storage, o caminho do Cloud Storage para os dados de treinamento e a seleção de algoritmo.

Os algoritmos integrados do AI Platform estão em contêineres do Docker hospedados no 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/ml-engine/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"

Enviar um job de treinamento

Para enviar um job, especifique alguns argumentos básicos de treinamento e outros relacionados ao algoritmo XGBoost.

Estes são os argumentos gerais do job de treinamento:

Argumentos do job de treinamento
Argumento Descrição
job-id Código exclusivo do job de treinamento. Use-o para encontrar registros de status do job de treinamento depois de enviá-lo.
job-dir Caminho do Cloud Storage em que o AI Platform salva arquivos de treinamento após a conclusão de um job de treinamento.
scale-tier Especifica tipos de máquina do AI Platform para treinamento. Use BASIC para selecionar uma configuração de apenas uma máquina.
master-image-uri URI do Container Registry usado para especificar qual contêiner do Docker utilizar no job de treinamento. Use o contêiner no algoritmo integrado XGBoost definido anteriormente como IMAGE_URI.
region Especifique a região disponível onde será executado o job de treinamento. Neste tutorial, use us-central1.

Estes são argumentos específicos do algoritmo integrado XGBoost:

Argumentos do algoritmo
Argumento Descrição
preprocess Argumento booleano que indica se o AI Platform precisa pré-processar os dados.
objective Indica a tarefa de aprendizado e o objetivo correspondente. Neste exemplo, "binary:logistic".
training_data_path Local do Cloud Storage com os dados de treinamento, que precisam ser um arquivo CSV.

Para ver uma lista detalhada de todas as outras sinalizações do algoritmo XGBoost, consulte a referência.

Console

  1. Deixe a opção Ativar pré-processamento automático de dados marcada.

  2. Em Caminho de dados de treinamento, clique em Procurar. No painel à direita, clique no nome do intervalo em que você fez o upload dos dados de treinamento e acesse o arquivo ml-engine_census_algorithms_data_train.csv.

  3. Deixe as configurações padrão dos campos Dados de validação e Dados de teste.

  4. No Diretório de saída, insira o caminho para o seu intervalo do Cloud Storage em que o AI Platform armazenará as saídas do job de treinamento. Preencha o caminho do intervalo do Cloud Storage diretamente ou clique no botão Procurar para selecioná-lo.

    Para manter a organização, crie um novo diretório no intervalo do Cloud Storage para esse job de treinamento. Faça isso no painel Procurar.

    Clique em Avançar.

  5. Em Objetivo, selecione "binary:logistic", que indica uma tarefa de aprendizado binária e um objetivo de regressão logística.

  6. Em Tipo de modelo, selecione Classificação.

  7. Deixe as configurações padrão de todos os outros campos e clique em Avançar.

  8. Na página Configurações do job:

    1. Digite o ID do job exclusivo como "xgboost_exemplo".
    2. Digite uma região disponível como "us-central1".
    3. Selecione "BÁSICO" para o nível de escalonamento.

    Clique em Concluído para enviar o job de treinamento.

gcloud

  1. Configure todos os argumentos do job de treinamento e do algoritmo antes de usar a gcloud para enviar o job:

    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. Envie o job:

    gcloud beta 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. Depois que o job for enviado com êxito, será possível visualizar os registros com os seguintes comandos da gcloud:

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

Compreender o diretório do job

Após a conclusão de um job de treinamento, o AI Platform cria um modelo treinado no intervalo do Cloud Storage, além de outros artefatos. É possível encontrar a seguinte estrutura de diretórios no JOB_DIR:

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

Confirme se a estrutura de diretórios no JOB_DIR corresponde a:

gsutil ls -a $JOB_DIR/*

Implantar o modelo treinado

O AI Platform organiza os modelos treinados usando recursos de modelo e versão. Um modelo do AI Platform é um contêiner das versões do modelo de machine learning.

Para implantar um modelo, crie um recurso de modelo no AI Platform, gere uma versão dele e use o modelo e a versão para solicitar predições on-line.

Para mais informações sobre como implantar modelos no AI Platform, consulte como implantar um modelo scikit-learn ou XGBoost.

Console

  1. Na página Jobs, você encontra uma lista de todos os jobs de treinamento. Clique no nome do job de treinamento recém-enviado ("xgboost_exemplo" ou o nome do job usado).

  2. Na página Detalhes do job, você pode ver o progresso geral do job ou clicar em Visualizar registros para ter uma visualização mais detalhada do progresso.

  3. Quando o job é bem-sucedido, o botão Implantar modelo é exibido na parte superior. Clique em Implantar modelo.

  4. Selecione "Implantar como novo modelo" e digite um nome, como "xgboost_modelo". Em seguida, clique em Confirmar.

  5. Na página Criar versão, digite o nome de uma versão, como "v1", e deixe as configurações padrão de todos os outros campos. Clique em Salvar.

gcloud

O processo de treinamento com o algoritmo XGBoost integrado produz um arquivo, deployment_config.yaml, que facilita a implantação do modelo no AI Platform para predições.

  1. Copie o arquivo para o diretório local e veja o conteúdo:

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

    O arquivo deployment_config.yaml é semelhante a este:

    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. Crie o modelo e a versão no 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
    

    A criação da versão demora alguns minutos.

Receber predições on-line

Ao solicitar predições, é preciso garantir que os dados de entrada sejam formatados da mesma maneira que os de treinamento. Antes do treinamento, o AI Platform pré-processa os dados, transformando-os no corpus mostrado em metadata.json.

É possível usar o instance_generator.py para aplicar as mesmas transformações de pré-processamento às instâncias de entrada que o AI Platform aplica aos dados de treinamento. Esse arquivo lê as informações de mapeamento armazenadas no arquivo metadata.json. Você também pode usar a função transform_string_instance no módulo para transformar a string bruta em um formato aceito pelo modelo.

  1. Faça o download dos arquivos de artefatos de treinamento e revise metadata.json:

    gsutil cp $JOB_DIR/artifacts/* .
    
    # Let's look at the metadata.json file
    head metadata.json
    
  2. Use instance_generator.py para preparar a entrada da predição de uma instância de dados:

     # 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. Envie a solicitação de predição:

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

A predição resultante precisa ser um número acima de 0,5, o que indica que o indivíduo provavelmente ganha um salário maior que US$ 50.000.

Sobre os dados

O conjunto de dados de renda do censo (em inglês) usado para treinamento nesta amostra está hospedado no Repositório de machine learning da UC Irvine (em inglês).

Dados do censo por cortesia de: Lichman, M. (2013). Repositório de machine learning da UCI: http://archive.ics.uci.edu/ml. Irvine, CA: Universidade da Califórnia, Escola de informação e ciência da computação.

A seguir

Esta página foi útil? Conte sua opinião sobre:

Enviar comentários sobre…