Loggen und Laden eines Modells
Das Modell API bietet eine Möglichkeit, mit unseren Modellen zu interagieren, indem es sie direkt aus MLflow Tracking auf standardisierte Weise protokolliert und lädt. Die Möglichkeit, mit Modellen zu interagieren, ist während des ML Lebenszyklus für die Schritte Modellentwicklung und Modellevaluierung entscheidend.
In dieser Übung erstellst du ein lineares Regressionsmodell mit scikit-learn unter Verwendung des Unicorn Datensatzes. Dieses Modell wird in MLflow Tracking protokolliert und dann mit der run_id geladen, die zum Protokollieren des Artefakts verwendet wurde.
Zuerst protokollierst du das Modell mit der scikit-learn-Bibliothek aus dem MLflow-Modul. Dann lädst du das Modell von MLflow Tracking mit der run_id.
Das Modell wird trainiert und erhält den Namen lr_model.
lr_model = LinearRegression()
lr_model.fit(X_train, y_train)
Das Modul mlflow wird importiert.
Diese Übung ist Teil des Kurses
Einführung in MLflow
Anleitung zur Übung
- Protokolliere das Modell auf MLflow Tracking unter dem Artefaktpfad von
"lr_tracking". - Erstelle eine Variable namens
run, die auf den letzten Lauf gesetzt wird. - Erstelle eine weitere Variable namens
run_id, die auf dierun_idder Variablerungesetzt wird. - Lade das Modell mit Hilfe von
run_idund dem Artefaktpfad, der zum Protokollieren des Modells verwendet wurde.
Interaktive Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Log model to MLflow Tracking
____.____.____(____, "____")
# Get the last run
run = ____.____
# Get the run_id of the above run
run_id = ____.___.____
# Load model from MLflow Tracking
model = ____.____.____(f"runs:/{____}/____")