Modell registrieren

Der letzte Schritt besteht darin, das trainierte Modell mit MLflow zu registrieren und zu protokollieren. So kannst du deine Modelle für den Produktionseinsatz nachverfolgen und versionieren.

Die Pakete datetime, mlflow, mlforecast.flavor sowie das trainierte Modell mlf sind für dich bereits geladen.

Diese Übung ist Teil des Kurses

<Kurs>Forecasting-Pipelines für die Produktion entwerfen</Kurs>

Kurs ansehen

Übungsanweisungen

Setze run_name mithilfe des aktuellen Zeitstempels, der dir in der Variable run_time bereitgestellt wird.
Verwende mlflow.start_run(), um einen Run mit der angegebenen Experiment-ID zu starten.
Protokolliere das Modell mit der passenden Methode.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

experiment_name = "ml_forecast"
try:
    mlflow.create_experiment(name=experiment_name)
    meta = mlflow.get_experiment_by_name(experiment_name)
    print(f"Setting a new experiment {experiment_name}")
except:
    print(f"Experiment {experiment_name} exists, pulling the metadata")
    meta = mlflow.get_experiment_by_name(experiment_name)

# Setup the run name and time
run_time = datetime.datetime.now().strftime("%Y-%m-%d %H-%M-%S")
run_name = f"lightGBM6_{____}"

# Start the run
with mlflow.____(experiment_id=meta.experiment_id, run_name=run_name) as run:
    # Log the model
    mlforecast.flavor.____(model=mlf, artifact_path="prod_model")
    print(f"MLflow Run created - Name: {run_name}, ID: {run.info.run_id}")

Code bearbeiten und ausführen