Usa scikit-learn en Kaggle y Cloud ML Engine

Puedes implementar modelos scikit-learn entrenados en Kaggle para Cloud ML Engine 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 Cloud ML Engine.

Descripción general

  1. 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.
  2. Guarda tu modelo con la biblioteca joblib y asegúrate de nombrar el archivo model.joblib. Selecciona el botón Confirmar y ejecutar para ejecutar todas las celdas de código del kernel en orden. Esto guarda y ejecuta tu código de entrenamiento de modelos.
  3. Descarga model.joblib de los resultados de tu kernel.
  4. Sube tu archivo model.joblib a Cloud Storage.
  5. Crea el modelo y los recursos de versión en Cloud ML Engine con GCP Console y proporciona información sobre cómo entrenaste a tu modelo y dónde lo almacenaste en Cloud Storage.
  6. 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:

  1. Selecciona la pestaña Resultado en la parte superior de la página.
  2. 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?

¿Te sirvió esta página? Envíanos tu opinión:

Enviar comentarios sobre…

Cloud ML Engine para XGBoost y scikit-learn