高參數調整
機器學習的Databricks運行時將HyperOPT（一種開源工具）結合在一起，該工具可自動選擇模型選擇和超參數調整。
用HyperOPT調整超參數
Databricks運行時ML包括hyperopt，一個Python庫，可促進分布式的高參數調整和模型選擇。使用HyperOPT，您可以掃描一組Python型號，同時在定義的空間中改變算法和超參數。HyperOPT與分布式的ML算法（如Apache Spark Mllib和Horovod）一起使用，以及Scikit-Learn和TensorFlow等單機器ML模型。
使用HyperOPT時的基本步驟是：
定義目標函數以最小化。通常，這是培訓或驗證損失。
定義超參數搜索空間。HyperOPT提供了有條件的搜索空間，該空間使您可以在同一運行中比較不同的ML算法。
指定搜索算法。HyperOPT使用隨機調整算法，該算法比確定性的網格搜索更有效地搜索超參數空間。
運行HyperOPT功能
fmin（）。fmin（）獲取您在上一步中定義的項目，並確定最小化目標函數的超參數的集合。
要快速使用Scikit-Learn算法快速開始使用HyperOPT，請參見：
有關HyperOPT的工作方式的更多詳細信息，以及有關其他示例，請參見：
自動MLFLOW跟蹤
筆記
MLLIB自動MLFLOW跟蹤在運行Databricks運行時10.1 ml及以上的群集上棄用，並且默認情況下將其禁用在運行Databricks Runtime 10.2 ml及以上的群集上。而是使用MLFLOW PYSPARK ML自動化通過打電話mlflow.pyspark.ml.autolog（），默認情況下啟用Databricks自動化。
要在Databricks運行時10.2 ml及更高版本中使用舊的MLLIB自動MLFLOW跟蹤，請通過設置火花配置spark.databricks.mlflow.trackmllib.enabled真的和spark.databricks.mlflow.autologing.enabled錯誤的。