Začněte nyníZačněte zdarma

Vlastní scikit-learn model

V tomto cvičení vytvoříš vlastní model pomocí flavoru pyfunc z MLflow. Při práci s datasetem insurance_charges je potřeba před trénováním změnit štítky: female na 0 a male na 1. Při použití modelu se pak místo hodnot 0 a 1 vrátí zpět řetězce female a male.

Vlastní model je klasifikační model založený na LogisticRegression a využívá třídu CustomPredict. Třída CustomPredict přidává do metody predict další krok, který převede štítky 0 a 1 zpět na female a male v okamžiku, kdy model obdrží vstupní data. Pro logování a načítání modelu budeš používat flavor pyfunc.

Dataset insurance_charges bude předzpracován a model natrénován pomocí:

lr_model = LogisticRegression().fit(X_train, y_train)

Modul MLflow bude naimportován.

Toto cvičení je součástí kurzu

Úvod do MLflow

Zobrazit kurz

Pokyny k cvičení

  • Použij flavor pyfunc z MLflow k zalogování vlastního modelu.
  • Nastav argument python_model flavoru pyfunc na vlastní třídu CustomPredict().
  • Načti vlastní model pomocí pyfunc.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Log the pyfunc model 
____.____.____(
	artifact_path="lr_pyfunc", 
    # Set model to use CustomPredict Class
	python_model=____, 
	artifacts={"lr_model": "lr_model"}
)

run = mlflow.last_active_run()
run_id = run.info.run_id

# Load the model in python_function format
loaded_model = ____.____.____(f"runs:/{run_id}/lr_pyfunc")
Upravit a spustit kód