この古いバージョンの AI Platform Training は非推奨になりました。2025 年 1 月 31 日を過ぎると Google Cloud で使用できなくなります。リソースを Vertex AI カスタムトレーニングに移行することで、AI Platform にはない新しい機械学習機能を利用できます。

このページは Cloud Translation API によって翻訳されました。

scikit-learn と XGBoost による ML モデルのトレーニング

AI Platform Training サービスは、クラウド内でモデルをトレーニングするためのコンピューティングリソースを管理します。このページでは、AI Platform Training で scikit-learn と XGBoost を使用してモデルをトレーニングするプロセスについて説明します。

概要

このチュートリアルでは、Iris データセットを使用して、花の種を予測する簡単なモデルをトレーニングします。モデルのトレーニングコードを調整して、Cloud Storage からデータをダウンロードし、保存したモデルファイルを Cloud Storage にアップロードするようにコードを変更します。その後、トレーニングアプリケーションパッケージを作成し、それを使用して AI Platform Training でトレーニングを実行します。

AI Platform Training でモデルをトレーニングする方法

AI Platform Training では、初期設定プロセスを完了したら、次の 3 つのステップでモデルをトレーニングできます。

Python トレーニングモジュールを作成する
- Cloud Storage からデータをダウンロードして AI Platform Training で使用するためのコードを追加する
- AI Platform Training でモデルのトレーニングが完了した後にモデルを Cloud Storage にエクスポートして保存するためのコードを追加する
トレーニングアプリケーションパッケージを準備する
トレーニングジョブの送信

初期設定プロセスでは、Google Cloud プロジェクトの作成、課金と API の有効化、AI Platform Training で使用する Cloud Storage バケットの設定、scikit-learn または XGBoost のローカルインストールを行います。すべての設定とインストールがすでに完了している場合は、モデルのトレーニングコードの作成に進んでください。

始める前に

次の操作を行って GCP アカウントを設定し、AI Platform Training API を有効にします。さらに、Cloud SDK をインストールして有効にします。

GCP プロジェクトを設定する

Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Go to project selector

Make sure that billing is enabled for your Google Cloud project.

Enable the AI Platform Training & Prediction and Compute Engine APIs.

Enable the APIs

Install the Google Cloud CLI.

To initialize the gcloud CLI, run the following command:

gcloud init

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Go to project selector

Make sure that billing is enabled for your Google Cloud project.

Enable the AI Platform Training & Prediction and Compute Engine APIs.

Enable the APIs

Install the Google Cloud CLI.

To initialize the gcloud CLI, run the following command:

gcloud init

環境を設定する

以下のいずれかのオプションを選択して、macOS のローカル環境または Cloud Shell のリモート環境を設定します。

macOS の場合、以下の [MACOS] タブで環境を設定することをおすすめします。[CLOUD SHELL] タブに表示される Cloud Shell は、macOS、Linux、Windows で使用できます。Cloud Shell は、AI Platform Training の機能を試すような場合には便利ですが、継続的な開発作業には適していません。

macOS

Python のインストールを確認する
Python がインストールされていることを確認します。されていない場合はインストールします。
```
python -V
```
pip のインストールを確認する
pip は、Python のパッケージマネージャーであり、Python の現在のバージョンに含まれています。pip --version コマンドを実行して、pip がすでにインストールされているかどうかを確認します。インストールされていない場合は、pip のインストール方法をご覧ください。

次のコマンドを使用すると、pip をアップグレードできます。
```
pip install -U pip
```
詳細については、pip のドキュメントをご覧ください。
virtualenv をインストールする
virtualenv は隔離された Python 環境を作成するツールです。次のコマンドを実行して、virtualenv がすでにインストールされているかどうかを確認します。virtualenv --version。インストールされていない場合は、virtualenv をインストールします。
```
pip install --user --upgrade virtualenv
```
このガイド用に隔離された開発環境を作成するために、virtualenv で新しい仮想環境を作成します。たとえば、次のコマンドは、aip-env という名前の環境をアクティブにします。
```
virtualenv aip-env
source aip-env/bin/activate
```
このチュートリアルでは、仮想環境内で残りのコマンドを実行します。
virtualenv の使用方法の詳細をご覧ください。virtualenv を終了するには、deactivate を実行します。

Cloud Shell

Google Cloud Console を開きます。

Google Cloud Console
Console ウィンドウの上部にある「Cloud Shell をアクティブにする」ボタンをクリックします。

コンソールの下部の新しいフレーム内で Cloud Shell セッションが開き、コマンドラインプロンプトが表示されます。シェルセッションが初期化されるまで、数秒かかる場合があります。

Cloud Shell セッションが使用できる状態になります。
選択したプロジェクトを使用するように gcloud コマンドラインツールを構成します。
```
gcloud config set project [selected-project-id]
```
ここで、[selected-project-id] はプロジェクト ID ですID を囲んでいる角かっこは不要です。

フレームワークをインストールする

macOS

仮想環境内で次のコマンドを実行して、AI Platform Training ランタイムバージョン 2.11 で使用する scikit-learn、XGBoost、pandas をインストールします。

(aip-env)$ pip install scikit-learn==1.0.2 xgboost==1.6.2 pandas==1.3.5

上述のコマンドでバージョン番号を指定して、仮想環境内の依存関係とランタイムバージョン内の依存関係を一致させます。これによって、AI Platform Training でコードを実行するときの予期しない動作を防ぎます。

インストールオプションやトラブルシューティング情報などの詳細については、各フレームワークのインストール手順をご覧ください。

Cloud Shell

次のコマンドを実行して、scikit-learn、XGBoost、pandas をインストールします。

pip install --user scikit-learn xgboost pandas

インストールオプションやトラブルシューティング情報などの詳細については、各フレームワークのインストール手順をご覧ください。

Cloud Storage バケットを設定する

トレーニングコードと依存関係を保存するための Cloud Storage バケットが必要です。このチュートリアルでは、AI Platform Training に使用しているのと同じプロジェクトで専用の Cloud Storage バケットを使用する方法が最も簡単です。

別のプロジェクトのバケットを使用する場合は、AI Platform Training サービスアカウントが Cloud Storage 内のトレーニングコードと依存関係にアクセスできるようにする必要があります。適切な権限がないと、トレーニングジョブは失敗します。ストレージの権限を付与する方法をご覧ください。

必ず、トレーニングジョブを実行するために使用しているのと同じリージョンのバケットを使用または設定してください。AI Platform Training サービスに利用可能なリージョンをご覧ください。

このセクションでは、新しいバケットを作成する方法を説明します。既存のバケットを使用することもできますが、AI Platform ジョブを実行する予定のリージョンと同じリージョンにある必要があります。また、AI Platform Training を実行するプロジェクトに含まれていない場合は、明示的に AI Platform Training サービスアカウントへのアクセスを許可する必要があります。

新しいバケットに名前を指定します。名前は Cloud Storage のすべてのバケット全体で重複しないようにする必要があります。
```
BUCKET_NAME="YOUR_BUCKET_NAME"
```
たとえば、プロジェクト名に -aiplatform を追加したものを使います。
```
PROJECT_ID=$(gcloud config list project --format "value(core.project)")
BUCKET_NAME=${PROJECT_ID}-aiplatform
```
作成したバケット名を確認します。
```
echo $BUCKET_NAME
```
バケットのリージョンを選択して、REGION 環境変数を設定します。

AI Platform Training ジョブを実行する予定のリージョンと同じリージョンを使用してください。AI Platform Training サービスに利用可能なリージョンをご覧ください。

たとえば、次のコードは REGION を作成し、us-central1 に設定します。
```
REGION=us-central1
```

新しいバケットを作成します。

gcloud storage buckets create gs://$BUCKET_NAME --location=$REGION

Python トレーニングモジュールを作成する

モデルをトレーニングするコードを含むファイル iris_training.py を作成します。このセクションでは、トレーニングコードの各部分の役割について説明します。

セットアップとインポート
Cloud Storage からデータをダウンロードする
pandas にデータを読み込む
モデルをトレーニングして保存する
保存したモデルファイルを Cloud Storage にアップロードする

便宜上、iris_training.py の完全なコードは GitHub にホストされており、このチュートリアルではそのコードを使用できます。

設定

Python と scikit-learn / XGBoost で以下のライブラリをインポートします。Cloud Storage バケットの名前のための変数を設定します。

scikit-learn

import datetime
import os
import subprocess
import sys
import pandas as pd
from sklearn import svm
from sklearn.externals import joblib

# Fill in your Cloud Storage bucket name
BUCKET_NAME = '<YOUR_BUCKET_NAME>'

XGBoost

import datetime
import os
import subprocess
import sys
import pandas as pd
import xgboost as xgb

# Fill in your Cloud Storage bucket name
BUCKET_NAME = '<YOUR_BUCKET_NAME>'

Cloud Storage からデータをダウンロードする

一般的な開発プロセスでは、データを Cloud Storage にアップロードして、AI Platform Training がそのデータにアクセスできるようにします。このチュートリアルのデータは、Cloud Storage の公開バケット gs://cloud-samples-data/ai-platform/iris/ でホストしています。

以下のコードで gsutil を使用してデータをダウンロードし、gsutil から stdout にデータを出力します。

scikit-learn

iris_data_filename = 'iris_data.csv'
iris_target_filename = 'iris_target.csv'
data_dir = 'gs://cloud-samples-data/ml-engine/iris'

# gsutil outputs everything to stderr so we need to divert it to stdout.
subprocess.check_call(['gsutil', 'cp', os.path.join(data_dir,
                                                    iris_data_filename),
                       iris_data_filename], stderr=sys.stdout)
subprocess.check_call(['gsutil', 'cp', os.path.join(data_dir,
                                                    iris_target_filename),
                       iris_target_filename], stderr=sys.stdout)

XGBoost

iris_data_filename = 'iris_data.csv'
iris_target_filename = 'iris_target.csv'
data_dir = 'gs://cloud-samples-data/ai-platform/iris'

# gsutil outputs everything to stderr so we need to divert it to stdout.
subprocess.check_call(['gsutil', 'cp', os.path.join(data_dir,
                                                    iris_data_filename),
                       iris_data_filename], stderr=sys.stdout)
subprocess.check_call(['gsutil', 'cp', os.path.join(data_dir,
                                                    iris_target_filename),
                       iris_target_filename], stderr=sys.stdout)

pandas にデータを読み込む

pandas を利用してデータを NumPy 配列に読み込んで、scikit-learn または XGBoost でトレーニングします。

scikit-learn

# Load data into pandas, then use `.values` to get NumPy arrays
iris_data = pd.read_csv(iris_data_filename).values
iris_target = pd.read_csv(iris_target_filename).values

# Convert one-column 2D array into 1D array for use with scikit-learn
iris_target = iris_target.reshape((iris_target.size,))

XGBoost

# Load data into pandas, then use `.values` to get NumPy arrays
iris_data = pd.read_csv(iris_data_filename).values
iris_target = pd.read_csv(iris_target_filename).values

# Convert one-column 2D array into 1D array for use with XGBoost
iris_target = iris_target.reshape((iris_target.size,))

モデルをトレーニングして保存する

AI Platform Training で実行するトレーニングモジュールを作成します。この例では、トレーニングモジュールは、Iris トレーニングデータ（iris_data と iris_target）を使用してモデルをトレーニングし、トレーニング済みのモデルをファイルにエクスポートして保存します。トレーニング後に AI Platform Prediction を使用してオンライン予測を取得する場合は、モデルファイルのエクスポートに使用するライブラリに応じて、モデルファイルに名前を付ける必要があります。詳細については、モデルファイルの命名規則をご覧ください。

scikit-learn

モデルの永続性に関する scikit-learn の例の手順に沿って、次のようにモデルをトレーニングし、エクスポートします。

# Train the model
classifier = svm.SVC(gamma='auto', verbose=True)
classifier.fit(iris_data, iris_target)

# Export the classifier to a file
model_filename = 'model.joblib'
joblib.dump(classifier, model_filename)

モデルをエクスポートするには、次のように pickle ライブラリを組み込みで使用します。

import pickle
with open('model.pkl', 'wb') as model_file:
  pickle.dump(classifier, model_file)

XGBoost

Booster オブジェクトの「save_model」メソッドを使用すると、モデルをエクスポートできます。

# Load data into DMatrix object
dtrain = xgb.DMatrix(iris_data, label=iris_target)

# Train XGBoost model
bst = xgb.train({}, dtrain, 20)

# Export the classifier to a file
model_filename = 'model.bst'
bst.save_model(model_filename)

モデルをエクスポートするには、次のように pickle ライブラリを組み込みで使用します。

import pickle
with open('model.pkl', 'wb') as model_file:
  pickle.dump(bst, model_file)

モデルファイルの命名規則

オンライン予測の場合、Cloud Storage にアップロードする保存済みモデルファイルの名前は、使用したライブラリに応じて、model.pkl、model.joblib、model.bst のいずれかにする必要があります。この制限により、AI Platform Prediction はエクスポート時と同じパターンを使用して、インポート時にモデルを再構築できます。

カスタム予測ルーチン（ベータ版）を作成する場合、この要件は適用されません。

scikit-learn

モデルのエクスポートに使用するライブラリ	正しいモデル名
`pickle`	`model.pkl`
`sklearn.externals.joblib`	`model.joblib`

XGBoost

モデルのエクスポートに使用するライブラリ	正しいモデル名
`pickle`	`model.pkl`
`joblib`	`model.joblib`
`xgboost.Booster`	`model.bst`

モデルを今後繰り返し利用する場合は、新しいモデルのそれぞれに専用のディレクトリが存在するように Cloud Storage バケットを整理してください。

保存したモデルを Cloud Storage にアップロードする

使用する Cloud Storage バケットが AI Platform Training の実行に使用する Google Cloud プロジェクトの外部にある場合は、AI Platform Training からそのバケットにアクセスできることを確認してください。

scikit-learn

# Upload the saved model file to Cloud Storage
gcs_model_path = os.path.join('gs://', BUCKET_NAME,
    datetime.datetime.now().strftime('iris_%Y%m%d_%H%M%S'), model_filename)
subprocess.check_call(['gsutil', 'cp', model_filename, gcs_model_path],
    stderr=sys.stdout)

XGBoost

# Upload the saved model file to Cloud Storage
gcs_model_path = os.path.join('gs://', BUCKET_NAME,
    datetime.datetime.now().strftime('iris_%Y%m%d_%H%M%S'), model_filename)
subprocess.check_call(['gsutil', 'cp', model_filename, gcs_model_path],
    stderr=sys.stdout)

トレーニングアプリケーションパッケージを作成する

上記のスニペットから作成した iris_training.py を使用して、メインモジュールとして iris_training.py が含まれるトレーニングアプリケーションパッケージを作成します。

トレーニングアプリケーションパッケージを作成する最も簡単な（推奨される）方法は、トレーニングジョブを送信するときに gcloud を使ってアプリケーションをパッケージしてアップロードするという方法です。この方法で必要なのは、2 つのファイルを含む非常に単純なファイル構造を作成することです。

scikit-learn

このチュートリアルでは、トレーニングアプリケーションパッケージのファイル構造は次のようになります。

iris_sklearn_trainer/
    __init__.py
    iris_training.py

コマンドラインで、ディレクトリをローカルに作成します。
```
mkdir iris_sklearn_trainer
```
__init__.py という名前の空のファイルを作成します。
```
touch iris_sklearn_trainer/__init__.py
```
トレーニングコードを iris_training.py として保存し、そのファイルを iris_sklearn_trainer ディレクトリ内に保存します。また、cURL を使用して GitHub からファイルをダウンロードして保存する方法もあります。
```
curl https://raw.githubusercontent.com/GoogleCloudPlatform/cloudml-samples/master/sklearn/iris_training.py > iris_sklearn_trainer/iris_training.py
```
完全なソースコードについては、GitHub をご覧ください。
トレーニングアプリケーションパッケージが正しく設定されていることを確認します。
```
ls ./iris_sklearn_trainer
  __init__.py  iris_training.py
```

XGBoost

このチュートリアルでは、トレーニングアプリケーションパッケージのファイル構造は次のようになります。

iris_xgboost_trainer/
    __init__.py
    iris_training.py

コマンドラインで、ディレクトリをローカルに作成します。
```
mkdir iris_xgboost_trainer
```
__init__.py という名前の空のファイルを作成します。
```
touch iris_xgboost_trainer/__init__.py
```
トレーニングコードを iris_training.py として保存し、そのファイルを iris_xgboost_trainer ディレクトリ内に保存します。また、cURL を使用して GitHub からファイルをダウンロードして保存する方法もあります。
```
curl https://raw.githubusercontent.com/GoogleCloudPlatform/cloudml-samples/master/xgboost/iris_training.py > iris_xgboost_trainer/iris_training.py
```
完全なソースコードについては、GitHub をご覧ください。
トレーニングアプリケーションパッケージが正しく設定されていることを確認します。
```
ls ./iris_xgboost_trainer
  __init__.py  iris_training.py
```

詳細については、トレーニングアプリケーションのパッケージングをご覧ください。

トレーナーをローカルで実行する

gcloud ai-platform local train コマンドを使用すると、トレーニングアプリケーションをローカルでテストできます。この手順は省略可能ですが、デバッグの際に役立ちます。

scikit-learn

コマンドラインで、次の環境変数を設定し、適切な値で [VALUES-IN-BRACKETS] を置き換えます。

TRAINING_PACKAGE_PATH="./iris_sklearn_trainer/"
MAIN_TRAINER_MODULE="iris_sklearn_trainer.iris_training"

トレーニングジョブをローカルでテストします。

gcloud ai-platform local train \
  --package-path $TRAINING_PACKAGE_PATH \
  --module-name $MAIN_TRAINER_MODULE

XGBoost

コマンドラインで、次の環境変数を設定し、適切な値で [VALUES-IN-BRACKETS] を置き換えます。

TRAINING_PACKAGE_PATH="./iris_xgboost_trainer/"
MAIN_TRAINER_MODULE="iris_xgboost_trainer.iris_training"

トレーニングジョブをローカルでテストします。

gcloud ai-platform local train \
  --package-path $TRAINING_PACKAGE_PATH \
  --module-name $MAIN_TRAINER_MODULE

トレーニングジョブの送信

このセクションでは、gcloud ai-platform jobs submit training を使ってトレーニングジョブを送信します。

トレーニングジョブのパラメータを指定する

トレーニングジョブリクエストの各パラメータに次の環境変数を設定します。

BUCKET_NAME - Cloud Storage バケットの名前。
JOB_NAME - ジョブに使用する名前（英大文字と小文字、数字、アンダースコアのみを使用でき、先頭は文字にする必要があります）。例: iris_scikit_learn_$(date +"%Y%m%d_%H%M%S") または iris_xgboost_$(date +"%Y%m%d_%H%M%S")。
JOB_DIR - トレーニングジョブの出力ファイルに使用する Cloud Storage の場所のパス。例: gs://$BUCKET_NAME/scikit_learn_job_dir または gs://$BUCKET_NAME/xgboost_job_dir。
TRAINING_PACKAGE_PATH - トレーニングアプリケーションのルートディレクトリのローカルパス。例: ./iris_sklearn_trainer/ または ./iris_xgboost_trainer/。
MAIN_TRAINER_MODULE - AI Platform Training トレーニングサービスで実行するファイルを指定します。形式は [YOUR_FOLDER_NAME.YOUR_PYTHON_FILE_NAME] です。例: iris_sklearn_trainer.iris_training または iris_xgboost_trainer.iris_training。
REGION - トレーニングジョブを実行するために使用しているリージョンの名前。AI Platform Training トレーニングサービスに利用可能なリージョンのいずれかを使用します。Cloud Storage バケットが同じリージョンにあることを確認してください。
RUNTIME_VERSION - scikit-learn をサポートする AI Platform Training のランタイムバージョンを指定する必要があります。この例では、2.11 です。
PYTHON_VERSION - ジョブに使用する Python のバージョン。このチュートリアルでは Python 3.7 を指定します。
SCALE_TIER - トレーニングジョブを実行するマシンの事前定義されたクラスタ仕様。ここでは、BASIC としています。カスタムスケール階層を使用して、トレーニング用の独自のクラスタ構成を定義することもできます。

このチュートリアルの環境変数は以下のとおりです。

scikit-learn

[VALUES-IN-BRACKETS] を適切な値に置き換えます。

    BUCKET_NAME=[YOUR-BUCKET-NAME]
    JOB_NAME="iris_scikit_learn_$(date +"%Y%m%d_%H%M%S")"
    JOB_DIR=gs://$BUCKET_NAME/scikit_learn_job_dir
    TRAINING_PACKAGE_PATH="./iris_sklearn_trainer/"
    MAIN_TRAINER_MODULE="iris_sklearn_trainer.iris_training"
    REGION=us-central1
    RUNTIME_VERSION=2.11
    PYTHON_VERSION=3.7
    SCALE_TIER=BASIC

XGBoost

[VALUES-IN-BRACKETS] を適切な値に置き換えます。

    BUCKET_NAME=[YOUR-BUCKET-NAME]
    JOB_NAME="iris_xgboost_$(date +"%Y%m%d_%H%M%S")"
    JOB_DIR=gs://$BUCKET_NAME/xgboost_job_dir
    TRAINING_PACKAGE_PATH="./iris_xgboost_trainer/"
    MAIN_TRAINER_MODULE="iris_xgboost_trainer.iris_training"
    REGION=us-central1
    RUNTIME_VERSION=2.11
    PYTHON_VERSION=3.7
    SCALE_TIER=BASIC

トレーニングジョブリクエストを送信します。

gcloud ai-platform jobs submit training $JOB_NAME \
  --job-dir $JOB_DIR \
  --package-path $TRAINING_PACKAGE_PATH \
  --module-name $MAIN_TRAINER_MODULE \
  --region $REGION \
  --runtime-version=$RUNTIME_VERSION \
  --python-version=$PYTHON_VERSION \
  --scale-tier $SCALE_TIER

出力は次のようになります。

Job [iris_scikit_learn_[DATE]_[TIME]] submitted successfully.
Your job is still active. You may view the status of your job with the command

  $ gcloud ai-platform jobs describe iris_scikit_learn_[DATE]_[TIME]

or continue streaming the logs with the command

  $ gcloud ai-platform jobs stream-logs iris_scikit_learn_[DATE]_[TIME]

jobId: iris_scikit_learn_[DATE]_[TIME]
state: QUEUED

トレーニングログの表示（省略可）

AI Platform Training はすべての stdout ストリームと stderr ストリーム、ログステートメントをキャプチャします。これらのログは Logging に保存されます。これらは実行中でも、実行後でも表示できます。

トレーニングジョブのログを表示するには:

コンソール

AI Platform Training の [ジョブ] ページを開きます。

Google Cloud コンソールでジョブを開く
確認するトレーニングジョブの名前を選択します。選択したトレーニングジョブの [ジョブの詳細] ページが表示されます。
[ジョブの詳細] の内部で、[ログを表示] リンクを選択します。[Logging] ページが表示され、選択したトレーニングジョブのログを検索したり、フィルタリングしたりできます。

gcloud

gcloud ai-platform jobs stream-logs を使用して、ターミナルでログを表示できます。

gcloud ai-platform jobs stream-logs $JOB_NAME

Cloud Storage 内のモデルファイルの確認

保存先のモデルフォルダの内容を表示して、保存したモデルファイルが Cloud Storage にアップロードされていることを確認します。

gcloud storage ls gs://$BUCKET_NAME/iris_*

出力例:

gs://bucket-name/iris_20180518_123815/:
gs://bucket-name/iris_20180518_123815/model.joblib

次のステップ

AI Platform Training で scikit-learn を使用してオンライン予測を取得する。
トレーニング用の独自のクラスタ構成を定義するためにカスタムスケール階層の使用方法を参照する。

scikit-learn と XGBoost による ML モデルのトレーニング

概要

AI Platform Training でモデルをトレーニングする方法

始める前に

GCP プロジェクトを設定する

環境を設定する

macOS

Cloud Shell

フレームワークをインストールする

macOS

Cloud Shell

Cloud Storage バケットを設定する

Python トレーニング モジュールを作成する

設定

scikit-learn

XGBoost

Cloud Storage からデータをダウンロードする

scikit-learn

XGBoost

pandas にデータを読み込む

scikit-learn

XGBoost

モデルをトレーニングして保存する

scikit-learn

XGBoost

モデルファイルの命名規則

scikit-learn

XGBoost

保存したモデルを Cloud Storage にアップロードする

scikit-learn

XGBoost

トレーニング アプリケーション パッケージを作成する

scikit-learn

XGBoost

トレーナーをローカルで実行する

scikit-learn

XGBoost

トレーニング ジョブの送信

トレーニング ジョブのパラメータを指定する

scikit-learn

XGBoost

トレーニング ログの表示（省略可）

コンソール

gcloud

Cloud Storage 内のモデルファイルの確認

次のステップ

Python トレーニングモジュールを作成する

トレーニングアプリケーションパッケージを作成する

トレーニングジョブの送信

トレーニングジョブのパラメータを指定する

トレーニングログの表示（省略可）