LoslegenKostenlos loslegen

Scikit-learn Geschmack und Bewertung

In dieser Übung trainierst du ein Klassifizierungsmodell und bewertest seine Leistung. Das Modell verwendet deinen Insurance Charges Datensatz, um zu klassifizieren, ob die Gebühren für eine Frau oder einen Mann erhoben wurden.

Wir beginnen mit der Protokollierung unseres Modells auf MLflow Tracking mit der scikit-learn-Variante und schließen mit der Auswertung deines Modells anhand eines eval_data Datensatzes ab.

Dein Evaluierungsdatensatz wird als eval_data erstellt und unser Modell mit dem Namen lr_class trainiert. Die eval_data besteht aus X_test und y_test, da die Trainingsdaten mit der Funktion train_test_split() von sklearn.

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

Das Modul mlflow wird importiert.

Diese Übung ist Teil des Kurses

Einführung in MLflow

Kurs anzeigen

Anleitung zur Übung

  • Logge das lr_class Modell mit dem "eingebauten" Flavor von Scikit-Learn.
  • Rufe die Funktion evaluate() im Modul mlflow auf.
  • Werten Sie den Datensatz eval_data aus und zielen Sie auf die Spalte "sex".

Interaktive Übung

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

# 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