Snowpark-ML¶

Die Registry unterstützt Modelle, die mit Snowpark ML-Modellierungs-APIs (von snowpark.ml.modeling.framework.base.BaseEstimator abgeleitete Modelle) erstellt wurden.

Die folgenden zusätzlichen Optionen können im options-Dictionary verwendet werden, wenn Sie log_model abrufen:


Option	Beschreibung
`target_methods`	Liste mit den Namen der für das Modellobjekt verfügbaren Methoden. Snowpark ML-Modelle haben standardmäßig die folgenden Zielmethoden, vorausgesetzt, die Methode existiert: `predict`, `transform`, `predict_proba`, `predict_log_proba`, `decision_function`.

Beim Protokollieren eines Snowpark ML-Modells müssen Sie sample_input_data oder signatures nicht angeben. Diese Werte werden während der Anpassung automatisch abgeleitet.

Bemerkung

Snowpark ML-Pipelines benötigen einen Schätzer. Sie können keine reine Transformer-Pipeline für Snowpark ML registrieren. Verwenden Sie eine scikit-learn-Pipeline, um Ihre Transformatoren zu registrieren.

Beispiel¶

import pandas as pd
import numpy as np
from sklearn import datasets
from snowflake.ml.modeling.xgboost import XGBClassifier

iris = datasets.load_iris()
df = pd.DataFrame(data=np.c_[iris["data"], iris["target"]], columns=iris["feature_names"] + ["target"])
df.columns = [s.replace(" (CM)", "").replace(" ", "") for s in df.columns.str.upper()]

input_cols = ["SEPALLENGTH", "SEPALWIDTH", "PETALLENGTH", "PETALWIDTH"]
label_cols = "TARGET"
output_cols = "PREDICTED_TARGET"

clf_xgb = XGBClassifier(
        input_cols=input_cols, output_cols=output_cols, label_cols=label_cols, drop_input_cols=True
)
clf_xgb.fit(df)
model_ref = registry.log_model(
    clf_xgb,
    model_name="XGBClassifier",
    version_name="v1",
)
model_ref.run(df.drop(columns=label_cols).head(10), function_name='predict_proba')