经典Azure ML找不到Create Python Model模块如何自定义SGDClassifier模型

模块找不到的原因 #

你查询的Create Python Model模块属于新版Azure ML设计器的专属功能，经典Azure ML平台没有上线该独立模块，无需继续搜索。

自定义SGDClassifier实现步骤 #

经典Azure ML默认预装了scikit-learn库，你可以通过**执行Python脚本（Execute Python Script）**模块完成模型训练、预测全流程：

1. 训练模型 #

• 拖入1个「执行Python脚本」模块到实验画布，将训练数据集连接到该模块的第一个输入端口
• 替换模块内置代码为以下内容，可根据你的业务需求调整SGDClassifier参数：

import pandas as pd
from sklearn.linear_model import SGDClassifier
import pickle

def azureml_main(dataframe1 = None, dataframe2 = None):
    # 拆分训练特征和标签，此处默认数据集最后一列为标签列，可根据实际格式调整
    train_features = dataframe1.iloc[:, :-1]
    train_label = dataframe1.iloc[:, -1]
    
    # 初始化SGD分类器
    model = SGDClassifier(loss='log_loss', random_state=42)
    model.fit(train_features, train_label)
    
    # 序列化模型返回
    return pd.DataFrame([pickle.dumps(model)]),

• 运行该模块即可完成SGDClassifier模型训练，模块的第一个输出端口即为训练好的序列化模型。

2. 模型预测 #

• 拖入1个新的「执行Python脚本」模块到实验画布，将测试数据集连接到该模块的第一个输入端口，将上一步输出的序列化模型连接到第二个输入端口
• 替换模块内置代码为以下内容：

import pandas as pd
import pickle

def azureml_main(dataframe1 = None, dataframe2 = None):
    # 加载训练好的模型
    model = pickle.loads(dataframe2.iloc[0, 0])
    # 执行预测
    pred_result = model.predict(dataframe1)
    # 合并预测结果与测试数据集返回
    output_df = dataframe1.copy()
    output_df['prediction'] = pred_result
    
    return output_df,

• 运行后模块的第一个输出端口即为带预测结果的完整数据集。

注意事项 #

• 如果你实际使用的是新版Azure ML设计器，搜索不到模块时可清空搜索框重新输入完整名称Create Python Model，确认搜索范围为所有模块即可找到。
• 经典Azure ML的Python运行环境默认支持scikit-learn全量内置算法，无需额外上传依赖包。

内容的提问来源于stack exchange，提问作者18127180