Erste SchritteKostenlos loslegen

Speichern und Laden eines Modells

Mit dem Modell API können Modelle über ein lokales Dateisystem zwischen Entwicklern ausgetauscht werden, die nicht auf denselben MLflow Tracking Server zugreifen können.

In dieser Übung trainierst du ein neues lineares Regressionsmodell auf der Grundlage eines bestehenden Modells mit dem Datensatz Unicorn. Zuerst lädst du ein bestehendes Modell aus dem lokalen Dateisystem. Dann trainierst du ein neues Modell aus dem bestehenden Modell und speicherst es im lokalen Dateisystem.

Das bestehende Modell wurde im lokalen Dateisystem in einem Verzeichnis namens "lr_local_v1" gespeichert. Das Modul mlflow wird importiert.

Diese Übung ist Teil des Kurses

Einführung in MLflow

Kurs anzeigen

Anleitung zur Übung

  • Lade das Modell aus dem lokalen Dateisystemverzeichnis "lr_local_v1" mit der scikit-learn-Bibliothek aus dem MLflow-Modul.
  • Benutze die scikit-learn-Bibliothek aus dem Modul mlflow und speichere das Modell lokal in einem Verzeichnis namens "lr_local_v2".

Interaktive Übung zum Anfassen

Probieren Sie diese Übung aus, indem Sie diesen Beispielcode ausführen.

# Load model from local filesystem
model = ____.____.____("____")

# Training Data
X = df[["R&D Spend", "Administration", "Marketing Spend", "State"]]
y = df[["Profit"]]
X_train, X_test, y_train, y_test = train_test_split(X, y, train_size=0.7,random_state=0)
# Train Model
model.fit(X_train, y_train)

# Save model to local filesystem
____.____.____(____, "____")
Bearbeiten und Ausführen von Code