Azure ML Studio自动化ML模型预测时的数据转换问题咨询

核心结论 #

预测时直接用原始数据就行，不需要手动复刻训练阶段的转换操作——AutoML会把数据预处理逻辑和模型打包成完整的推理流水线，自动完成数据转换。

具体操作方式 #

• 部署模型时，选择将AutoML模型部署为实时端点或批量端点：部署过程中，Azure ML会自动把训练时的所有预处理步骤（比如缺失值填充、类别特征编码、数值特征缩放等）整合进去，形成端到端的推理流程。
• 提交预测请求时，直接传入和训练数据格式一致的原始数据：比如训练用的是包含原始特征的CSV，预测就传相同结构的原始CSV，端点会自动执行训练时的转换，再输出预测结果。

若需手动复用转换逻辑（可选） #

如果确实需要单独导出预处理逻辑，可通过以下方式操作：

• 在AutoML实验的「Models」标签下，选中最优模型，点击「Download」→ 选择「Download model files」：下载的压缩包中包含conda_env.yml和预处理相关脚本，记录了训练时的转换步骤。
• 用Azure ML SDK加载模型并提取预处理组件，示例代码：

from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

# 初始化ML客户端
ml_client = MLClient(DefaultAzureCredential(), subscription_id="<你的订阅ID>", resource_group_name="<资源组名称>", workspace_name="<工作区名称>")
# 获取目标模型
model = ml_client.models.get(name="<模型名称>", version="<模型版本>")
# 加载完整推理流水线
inference_pipeline = ml_client.models.get_inference_pipeline(model_id=model.id)

内容的提问来源于stack exchange，提问作者micnyk