Getunte Modelle protokollieren
Du hast mit verschiedenen Modellhyperparametern experimentiert und musst die neuesten Versuchsergebnisse in MLflow protokollieren – los geht’s!
Diese Übung ist Teil des Kurses
Forecasting-Pipelines für die Produktion entwerfen
Anleitung zur Übung
- Setze den Experimentnamen auf
"hyperparameter_tuning". - Iteriere über den Index und die Zeilen von
df. - Starte einen MLflow-Run.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Set the experiment name
experiment_name = "____"
experiment_id = mlflow.create_experiment(experiment_name)
# Loop through the DataFrame
for idx, row in df.____():
# Start a run
with mlflow.____(experiment_id=____):
model_params = ml_models[row["model_label"]].get_params()
model_params["model_name"] = row["model_name"]
model_params["model_label"] = row["model_label"]
model_params["partition"] = row["partition"]
model_params["lags"] = list(range(1, 24))
model_params["date_features"] = ["month", "day", "dayofweek", "week", "hour"]
mlflow.log_params(model_params)
mlflow.log_metric("mape", row["mape"])
mlflow.log_metric("rmse", row["rmse"])