我想重新创建一个本地构建的随机森林模型,并通过Sagemaker进行部署。该模型非常基础,但为了比较,我想在Sagemaker中使用相同的模型。我没有在Sagemaker的内置算法中看到随机森林(这似乎很奇怪)。我的唯一选择是走部署自己的定制模型的路线吗?我还在学习容器,而且似乎为了做一些本地简单的randomforestclassifier()调用,这需要做很多工作。我只想以随机森林模型为基准,并展示当通过AWS Sagemaker部署时,它与原来的模型效果相同。
编辑于2020年3月30日:添加链接到SageMaker Sklearn随机森林演示。
boto3
进行训练编排。您还可以使用这个公共sklearn-on-sagemaker演示并更改模型。预编写容器相对于“Bring your own”选项的好处是dockerfile已经编写好,并且Web服务栈也已经准备好了。RandomForestClassifier在SageMaker中不支持,但XGBoost(梯度提升树)以及scikit-learn的decisionTreeClassifier
都是受支持的。您可以直接从SageMaker SDK访问scikit-learn的decisionTreeClassifier()
。
这里有一个笔记本演示如何使用SageMaker内置的scikit-learn的decisionTreeClassifier
。
通过Dockerfile部署自己的自定义模型当然也是可能的(一开始可能会感到令人生畏,但并不那么糟糕),但我同意对于已经包含在SageMaker中的简单算法来说,这并不理想 :)
编辑:在评论中讨论后,我混淆了原始答案中的Random Forest和Random Cut Forest。这里提供SageMaker的Random Cut Forest算法文档:https://docs.aws.amazon.com/sagemaker/latest/dg/randomcutforest.html
Random Cut Forest(RCF)Jupyter笔记本示例:https://github.com/awslabs/amazon-sagemaker-examples/blob/master/introduction_to_amazon_algorithms/random_cut_forest/random_cut_forest.ipynb
decisionTreeClassifier
添加了额外的选项,它们都是 SageMaker 内置的。 - Nick Walsh