CatBoost¶

O Snowflake ML Model Registry oferece suporte a modelos criados com CatBoost (modelos derivados de catboost.CatBoost,como catboost.CatBoostClassifier, catboost.CatBoostRegressor e catboost.CatBoostRanker).

As seguintes opções adicionais podem ser usadas no dicionário options quando você chamar log_model:


Opção	Descrição
`target_methods`	Uma lista dos nomes dos métodos disponíveis no objeto de modelo. Os modelos CatBoost têm os seguintes métodos de destino por padrão, assumindo que o método existe: `predict`, `predict_proba`.
`enable_explainability`	Indica se a explicabilidade deve ser ativada para o modelo que usa SHAP. O padrão é `True`. Quando ativado, um método `explain` estará disponível no modelo registrado.
`cuda_version`	A versão do tempo de execução CUDA a ser usada ao implantar em uma plataforma com GPU; o padrão é 11.8. Se definido manualmente como `None`, o modelo não poderá ser implementado em uma plataforma com GPU.

Você deve especificar o parâmetro sample_input_data ou signatures ao registrar um modelo CatBoost para que o registro conheça as assinaturas dos métodos de destino.

Exemplos¶

Estes exemplos pressupõem que reg seja uma instância de snowflake.ml.registry.Registry.

CatBoostClassifier¶

O exemplo a seguir demonstra as etapas principais para treinar um classificador CatBoost, registrá-lo no Snowflake ML Model Registry e usar o modelo registrado para inferência e explicabilidade. O fluxo de trabalho inclui:

Treinar um classificador CatBoost em um conjunto de dados de amostra.
Registrar o modelo no Snowflake ML Model Registry.
Fazer previsões e recuperar as probabilidades de previsão.
Obter valores SHAP para as previsões do modelo.

import catboost
from sklearn import datasets, model_selection

# Load dataset
cal_data = datasets.load_breast_cancer(as_frame=True)
cal_X = cal_data.data
cal_y = cal_data.target

# Normalize column names (replace spaces with underscores)
cal_X.columns = [col.replace(' ', '_') for col in cal_X.columns]

cal_X_train, cal_X_test, cal_y_train, cal_y_test = model_selection.train_test_split(
    cal_X, cal_y, test_size=0.2
)

# Train CatBoost Classifier
classifier = catboost.CatBoostClassifier(
    iterations=100,
    learning_rate=0.1,
    depth=6,
    verbose=False
)
classifier.fit(cal_X_train, cal_y_train)

# Log the model
model_ref = reg.log_model(
    model=classifier,
    model_name="my_catboost_classifier",
    version_name="v1",
    sample_input_data=cal_X_test,
)

# Make predictions
result_df = model_ref.run(cal_X_test[-10:], function_name="predict")

# Get prediction probabilities
proba_df = model_ref.run(cal_X_test[-10:], function_name="predict_proba")

# Get explanations (SHAP values)
explanations_df = model_ref.run(cal_X_test[-10:], function_name="explain")

CatBoostRegressor¶

O exemplo a seguir demonstra as etapas principais para treinar um regressor CatBoost, registrá-lo no Snowflake ML Model Registry e usar o regressor registrado para inferência. O fluxo de trabalho inclui:

Treina um regressor CatBoost com base em um conjunto de dados de amostra.
Registrar o modelo no Snowflake ML Model Registry.
Faz previsões.

import catboost
from sklearn import datasets, model_selection

# Load dataset
cal_data = datasets.load_diabetes(as_frame=True)
cal_X = cal_data.data
cal_y = cal_data.target

cal_X_train, cal_X_test, cal_y_train, cal_y_test = model_selection.train_test_split(
    cal_X, cal_y, test_size=0.2
)

# Train CatBoost Regressor
regressor = catboost.CatBoostRegressor(
    iterations=100,
    learning_rate=0.1,
    depth=6,
    verbose=False
)
regressor.fit(cal_X_train, cal_y_train)

# Log the model
model_ref = reg.log_model(
    model=regressor,
    model_name="my_catboost_regressor",
    version_name="v1",
    sample_input_data=cal_X_test,
)

# Make predictions
result_df = model_ref.run(cal_X_test[-10:], function_name="predict")

Desabilitando a explicabilidade¶

Se você não precisa de recursos de explicabilidade, é possível desabilitá-los durante o registro para reduzir o tamanho do modelo e as dependências:

model_ref = reg.log_model(
    model=classifier,
    model_name="my_catboost_classifier_no_explain",
    version_name="v1",
    sample_input_data=cal_X_test,
    options={"enable_explainability": False},
)