Azure云工作站上做Machine Learning模型开发 - 全流程演示

1. 使用右上角的 下载原始文件 按钮，将此 conda 环境文件 [workstation_env.yml](github.com) 下载到计算机。
1. 选择“添加文件”，然后选择“上传文件”，将其上传到工作区。

2. 选择“浏览并选择文件”。
3. 选择下载的 workstation_env.yml 文件。
4. 选择“上传”。

name: workstation_env
dependencies:
  - python=3.8
  - pip=21.2.4
  - scikit-learn=0.24.2
  - scipy=1.7.1
  - pandas>=1.1,<1.2
  - pip:
    - mlflow==2.4.1 
    - azureml-mlflow==1.51.0
    - psutil>=5.8,<5.9
    - ipykernel~=6.0
    - matplotlib

1. 选择“终端”以打开终端窗口。 还可以从左侧命令栏打开终端：

2. 如果计算实例已停止，请选择“启动计算”，并等待它运行。

3. 计算运行后，终端中会显示一条欢迎消息，可以开始键入命令。
4. 查看当前的 conda 环境。 活动环境标有 *。
    conda env list
5. 如果为本教程创建了子文件夹，请立即运行 `cd` 转到该文件夹。
6. 根据提供的 conda 文件创建环境。 构建此环境需要几分钟时间。
    conda env create -f workstation_env.yml
7. 激活新环境。
    conda activate workstation_env
8. 验证正确的环境是否处于活动状态，再次查找标有 * 的环境。
    conda env list
9. 基于活动环境创建新的 Jupyter 内核。
    python -m ipykernel install --user --name workstation_env --display-name "Tutorial Workstation Env" 
10. 关闭终端窗口。

import os
 import argparse
 import pandas as pd
 import mlflow
 import mlflow.sklearn
 from sklearn.ensemble import GradientBoostingClassifier
 from sklearn.metrics import classification_report
 from sklearn.model_selection import train_test_split

# load the data
 credit_df = pd.read_csv(
     "https://azuremlexamples.blob.core.windows.net/datasets/credit_card/default_of_credit_card_clients.csv",
     header=1,
     index_col=0,
 )
 train_df, test_df = train_test_split(
     credit_df,
     test_size=0.25,
 )

# Extracting the label column
 y_train = train_df.pop("default payment next month")
 # convert the dataframe values to array
 X_train = train_df.values
 # Extracting the label column
 y_test = test_df.pop("default payment next month")
 # convert the dataframe values to array
 X_test = test_df.values

# set name for logging
 mlflow.set_experiment("Develop on cloud tutorial")
 # enable autologging with MLflow
 mlflow.sklearn.autolog()

# Train Gradient Boosting Classifier
 print(f"Training with data of shape {X_train.shape}")
 mlflow.start_run()
 clf = GradientBoostingClassifier(n_estimators=100, learning_rate=0.1)
 clf.fit(X_train, y_train)
 y_pred = clf.predict(X_test)
 print(classification_report(y_test, y_pred))
 # Stop logging for this model
 mlflow.end_run()

# Train  AdaBoost Classifier
from sklearn.ensemble import AdaBoostClassifier
print(f"Training with data of shape {X_train.shape}")
mlflow.start_run()
ada = AdaBoostClassifier()
ada.fit(X_train, y_train)
y_pred = ada.predict(X_test)
print(classification_report(y_test, y_pred))
# Stop logging for this model
mlflow.end_run()