기계 학습 모델 교육이 쉬워졌습니다! 분류 모델을 자동화하는 패키지autofeat를 사용하여 GitHub 작업을 만들었습니다.
이 작업은 DIY 배포 범주 아래의 GitHub 작업 해커톤 제출 항목입니다.

GitHub 작업은 무엇을 합니까? 📢

autofeat Python 패키지의 도움으로 기계 학습 모델 교육을 자동화합니다. 이 GitHub 작업은 AutoFeatClassifier()를 활용하여 분류 모델을 구축합니다.

면책 조항: 샘플이 매우 적은 모델의 경우 데이터 세트의 노이즈에 과적합될 수 있습니다. 즉, 훈련 세트에 대한 좋은 예측으로 이어지는 일부 새로운 기능을 찾을 수 있지만 새 테스트 샘플에 대한 성능이 저하될 수 있습니다.

사용하는 방법? 💁

marketplace 에서 "Automated ML Models using Autofeat package"작업을 찾을 수 있습니다.
그런 다음 다음의 간단한 단계를 따르십시오.

최신 버전 사용을 클릭하면 프롬프트가 표시됩니다. 코드를 복사하여 아래와 같이 워크플로우에서 사용해야 합니다.

아래와 같이 작업 흐름을 만드십시오. (Iris 데이터 세트를 예로 사용했습니다)

name: Iris Dataset Classifier
on: [push]
jobs:
  build_model:
    runs-on: ubuntu-latest
    steps:
    - name: Train the model
      id: model
      uses: Haimantika/random@master
      with:
        myInput: "[5.1,3.5,1.4,2.1,1.8,0.2]"
    - name: Upload artifact
      uses: actions/upload-artifact@v2
      with:
        name: my-artifact
        path: model.pkl

리포지토리를 생성하고 데이터 세트를 업로드하여 모델을 교육합니다.
데이터 세트 파일의 이름은 dataset.csv여야 합니다.

GitHub 콘솔의 작업으로 이동하고 직접 워크플로 설정을 클릭합니다.

커밋 시작을 클릭하고 커밋 메시지를 제공하고(선택 사항) 새 파일 커밋을 클릭합니다. 이 직후 워크플로우가 시작됩니다.

작업 흐름을 클릭하면 콘솔 출력이 표시됩니다. Artifacts를 클릭하고 모델 파일을 다운로드하여 나중에 사용할 수 있도록 보관할 수 있습니다.

전체 코드here를 찾습니다.

작업 데모:

















하이만티카 미트라


@haimantikam






이것이 GitHub 작업이 작동하는 방식입니다! 비디오 주셔서 감사합니다.


오후 13:24 - 2020년 9월 10일









추신- 이것은 나의 첫 번째 GitHub 작업입니다! 그것에 대한 당신의 견해를 알려주세요! ✌️