本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。
使用 Spark ML 和 Scikit-learn 的特征处理
在使用 Amazon SageMaker 内置算法或自定义算法训练模型之前,您可以使用 Spark 和 scikit-learn 预处理器来转换数据和设计功能。
使用 Spark ML 的特征处理
您可以使用笔记本上的无服务器 ETL(提Amazon 取、转换、加载)服务 Glue 运行 Spark ML SageMaker 作业。您还可以连接到现有 EMR 集群以使用 Amazon EMR 运行 Spark ML 作业。为此,您需要一个 Amazon Identity and Access Management (IAM) 角色来授予从您的 SageMaker笔记本向进行呼叫的权限 Amazon Glue。
注意
要了解 Amazon Glue 支持哪些 Python 和 Spark 版本,请参阅 Amazon Glue 发行说明。
在设计特征之后,您可以将带有 MLeap 的 Spark ML 作业打包并序列化为 MLeap 容器,您可以将这样的容器添加到推理管道中。您不需要使用外部管理的 Spark 集群。使用此方法,您可以从几个示例行无缝扩展到数 TB 的数据。相同的转换器可同时在训练和推理期间使用,因此您不需要重复预处理和特征设计逻辑,或者开发一次性解决方案来保存这些模型。借助推导管道,您不需要维护外部基础设施,可以直接利用数据输入进行预测。
当你在上运行 Spark ML 作业时 Amazon Glue,Spark ML 管道会序列化为 mL eap 格式
有关展示如何使用 Spark ML 进行功能处理的示例,请参阅在 Amazon EMR 中使用 Apache Spark 训练机器学习模型并在示例笔记本 SageMaker中部署
使用 Scikit-Learn 的特征处理
您可以直接在亚马逊中运行 scikit-learn 任务并将其打包到容器中。 SageMaker在一个 Python 代码示例中,生成通过费雪鸢尾花卉数据集