Copied!
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
# sklearnのデータセットからirisをロードします
from sklearn.datasets import load_iris
# データセットをトレーニングセットとテストセットに分割するための関数
from sklearn.model_selection import train_test_split
# K近傍法を使用するためのライブラリ
from sklearn.neighbors import KNeighborsClassifier

# モデルの保存と読み込みをするためのライブラリ
import pickle

# アイリスのデータセットをロード
iris = load_iris()
# 特徴量をXに
X = iris.data
# ラベルをyに
y = iris.target

# データをトレーニングデータとテストデータに分割（テストデータの割合は40%）
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.4, random_state=4)

# K近傍法のモデルを作成（近傍の数は5）
knn = KNeighborsClassifier(n_neighbors = 5)
# モデルをトレーニングデータにフィットさせる
knn.fit(X_train, y_train)

# モデルをpickleファイルとして保存
with open("iris_model.pkl", "wb") as f:
    pickle.dump(knn, f)

1. モデルファイルを非構造化データセットにアップロードする

scikit-train モデルファイルは、以下の画像に示すように、Palantir へ非構造化データセットとしてアップロードされます。

2. モデルアダプターのロジックを定義するためのモデルトレーニングテンプレートを作成する

Code Repositories アプリケーションで、新たに Model Integration リポジトリを作成し、Model Training 言語テンプレートを使用します。その後、scikit-learn 1.3.2 の依存関係を追加します。モデルファイルを読み込み、モデルを公開するロジックを定義します。

3. モデルファイルをモデルとして公開する

モデルアダプターのロジックが実行されると、モデルはプラットフォームに公開されます。

Copied!
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
from transforms.api import transform, Input
import palantir_models as pm
from palantir_models.transforms import ModelOutput
from palantir_models_serializers import DillSerializer
import pickle
import os


# モデルのトランスフォームを定義します
@transform(
    model_files=Input("<Your Input Path>"),  # 入力パス
    model_output=ModelOutput("<Your Output path>")  # 出力パス
)
def compute(model_files, model_output):
    fs = model_files.filesystem()  # ファイルシステムを取得
    with fs.open("iris_model.pkl", "rb") as f:  # モデルを読み込む
        model = pkl.load(f)

    model_adapter = IrisModelAdapter(model, "target")  # モデルアダプターを作成
    model_output.publish(
        model_adapter=model_adapter  # モデルアダプターを公開
    )


# IrisModelAdapter クラスを定義します
class IrisModelAdapter(pm.ModelAdapter):

    # 初期化メソッドを定義します
    @auto_serialize(
        model=DillSerializer(),  # モデルのシリアライザー
        prediction_column_name=DillSerializer()  # 予測列名のシリアライザー
    )
    def __init__(self, model, prediction_column_name="target"):  # 初期化
        self.model = model  # モデル
        self.prediction_column_name = prediction_column_name  # 予測列名

    # APIメソッドを定義します
    @classmethod
    def api(cls):
        column_names = ["sepal_length", "sepal_width", "petal_length", "petal_width"]  # 列名
        columns =[(name, float) for name in column_names]  # 列情報
        inputs = {"df_in": pm.Pandas(columns=columns)}  # 入力
        outputs = {"df_out": pm.Pandas(columns=columns+[("target", int)])}  # 出力
        return inputs, outputs  # 入力と出力を返す

    # 予測メソッドを定義します
    def predict(self, df_in):
        inference_data = df_in  # 推論データ

        predictions = self.model.predict(inference_data.values)  # 予測
        inference_data[self.prediction_column_name] = predictions  # 予測結果を追加
        return inference_data  # 推論データを返す

4. 公開モデルの利用

モデルが公開されると、プラットフォームで推論のために利用する準備が整います。この例では、新しいモデリングの目的を作成し、モデルを提出します。

1. プロジェクトのフォルダーに移動して、目的を設定したい場所を選び、その後New > Modeling Objectiveを選択して新しいモデリングの目的を作成します。これにより、Modeling Objectives アプリケーションが開きます。

2. 次に、目的にモデルを提出します。Model Submissions > Submit a Modelのセクションで、Add Modelを選択してダイアログを開きます。下記のように表示されます。

3. Submit model from Foundryを選択し、次にNextを選択してダイアログを開きます。ここでは、プラットフォーム内の指定した場所から公開モデルをロードできます。

4. モデルが提出されると、モデリングの目的の概要ページに戻されます。ここでModel submissionsセクションが表示され、提出に関する情報が表示されます。

5. Model submissionsセクションから新しく提出されたモデルを選択して、モデルページを開きます。

6. 右上隅のCreate new releaseを選択して新しいウィンドウを開き、リリースを作成します。

7. リリースを作成した後、画面の左上にある名前を選択してモデリングの目的の概要ページに戻ります。Deploymentsまでスクロールダウンし、Create deploymentを選択して別のダイアログウィンドウを開きます。

8. 設定フォームを完成させ、右下のCreate deploymentを選択します。モデリングの目的の概要に戻り、Deploymentsまでスクロールダウンし、新たにデプロイされたモデルを選択してテストします。

9. ページの左上にあるQueryタブから、値を追加して出力を観察することで、モデルをテストします。

ライブデプロイメントの作成とクエリについての詳細は、ライブデプロイメントのドキュメンテーションで確認できます。