持续更新Azure Automated ML timeseries模型

Question

我最近部署了一个简单的Azure自动化ML模型，我有一个端点可以给我预测。现在，我想要做的是将更新推送到AI模型，以便它始终是最新的。

例如，我想预测一个在10分钟内发生的事件。10分钟过去后，我了解到了真正的价值，我希望在ML模型数据数组的末尾推送该值，而不必重新训练/部署所有内容。这在Automated ML中是可能的吗？

编辑:或者，如果我可以在我自己的本地服务器上脱机运行predictor/retraining，也是可以的。azure允许下载经过训练的模型，但我真的不知道如何使用pkl文件，或者其中的内容。

Answer 1

使用过去时间序列值的Checkout Set up AutoML to train a time-series forecasting model with Python被“旋转”，与其他预测值一起成为回归器的额外维度。您可以直接在AutoMLConfig中指定单独的训练集和验证集。

Azure模型是一个或多个序列化的Python对象，打包为Python pickle文件(.pkl扩展名)。pickle文件的内容取决于用于训练模型的机器学习库或技术。

要取消筛选数据，您可以执行以下操作：

import pickle


with open('serialized.pkl', 'rb') as f:
    data = pickle.load(f)

Pickle一次序列化一个对象，然后读回一个对象--Pickle数据按顺序记录在文件中。

如果您只是简单地执行pickle.load，那么您应该读取序列化到文件中的第一个对象。在对第一个对象进行反序列化之后，文件指针位于下一个对象的开头-如果您只需再次调用pickle.load，它将读取下一个对象-一直到文件的结尾。

objects = []
with (open("myfile", "rb")) as openfile:
    while True:
        try:
            objects.append(pickle.load(openfile))
        except EOFError:
            break 

请参阅Deploy models trained with Azure Machine Learning on your local machines，了解如何使用本地计算机作为训练或部署在Azure Machine Learning中创建的模型的目标。

参考：How to unpack pkl file?，How to read pickle file?

如果您想使用ML Studio的Web API来获取预测结果，请参阅Download a trained ML Model from Azure ML studio to deploy on a standalone computer