LoslegenKostenlos loslegen

Scikit-learn-Flavor und Evaluation

In dieser Übung trainierst du ein Klassifikationsmodell und bewertest seine Leistung. Das Modell nutzt deinen Datensatz Insurance Charges, um zu klassifizieren, ob die Kosten für eine Frau oder einen Mann waren.

Wir beginnen damit, unser Modell mit dem scikit-learn-Flavor im MLflow Tracking zu loggen und schließen ab, indem wir dein Modell mit einem eval_data-Datensatz evaluieren.

Dein Evaluationsdatensatz wurde als eval_data erstellt, und unser Modell wurde mit dem Namen lr_class trainiert. eval_data besteht aus X_test und y_test, da die Trainingsdaten mit der Funktion train_test_split() aus sklearn aufgeteilt wurden.

# Model
lr_class = LogisticRegression()
lr_class.fit(X_train, y_train)

Das Modul mlflow ist importiert.

Diese Übung ist Teil des Kurses

Einführung in MLflow

Kurs anzeigen

Anleitung zur Übung

  • Logge das Modell lr_class mit dem „built-in“-Flavor von scikit-learn.
  • Rufe die Funktion evaluate() aus dem Modul mlflow auf.
  • Evaluiere den Datensatz eval_data und lege "sex" als Zielspalte fest.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Eval Data
eval_data = X_test
eval_data["sex"] = y_test
# Log the lr_class model using Scikit-Learn Flavor
___.___.___(____, "model")

# Get run id
run = mlflow.last_active_run()
run_id = run.info.run_id

# Evaluate the logged model with eval_data data
___.___(f"runs:/{run_id}/model", 
        ____=____, 
        ____="____",
        model_type="classifier"
)
Code bearbeiten und ausführen