LoslegenKostenlos loslegen

Ein Modell protokollieren und laden

Die Model-API bietet eine standardisierte Möglichkeit, mit unseren Modellen zu interagieren, indem wir sie direkt aus MLflow Tracking protokollieren und laden. Diese Interaktion ist in der ML-Lifecycle-Phase für Model Engineering und Model Evaluation entscheidend.

In dieser Übung erstellst du ein Linear-Regression-Modell aus scikit-learn mit dem Unicorn-Datensatz. Dieses Modell wird in MLflow Tracking protokolliert und anschließend mit der run_id geladen, mit der das Artefakt protokolliert wurde.

Zuerst protokollierst du das Modell mit der scikit-learn-Bibliothek aus dem MLflow-Modul. Danach lädst du das Modell aus MLflow Tracking mithilfe der run_id.

Das Modell wird trainiert und hat den Namen lr_model.

lr_model = LinearRegression()
lr_model.fit(X_train, y_train)

Das mlflow-Modul wird importiert.

Diese Übung ist Teil des Kurses

Einführung in MLflow

Kurs anzeigen

Anleitung zur Übung

  • Protokolliere das Modell in MLflow Tracking unter dem Artefaktpfad "lr_tracking".
  • Erstelle eine Variable run, die auf den letzten Lauf gesetzt ist.
  • Erstelle eine weitere Variable run_id, die auf die run_id der Variable run gesetzt ist.
  • Lade das Modell mit der run_id und dem Artefaktpfad, unter dem das Modell protokolliert wurde.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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:/{____}/____")
Code bearbeiten und ausführen