Erstellen eines mehrstufigen Workflows: Modellbau
Das Modul MLflow Projects kann verwendet werden, um einen mehrstufigen Arbeitsablauf durchzuführen. Alle Schritte können durch ein einziges Python-Programm koordiniert werden, das die Ergebnisse der vorherigen Schritte an die folgenden weitergibt.
In dieser Übung beginnst du mit der Erstellung eines mehrstufigen Workflows, um die Schritte der Modellentwicklung und der Modellevaluierung des ML Lebenszyklus zu verwalten. Du verwendest die Methode run()
aus dem Modul MLflow Projects für den Einstiegspunkt model_engineering
und übergibst Parameter, die als Hyperparameter für das Modelltraining verwendet werden. Du wirst auch die Ausgabe der run_id
erfassen und in eine Variable setzen, damit sie als Parameter an den model_evaluation
Schritt des Workflows übergeben werden kann.
Die im vorherigen Schritt erstellte MLproject
ist in der IPython Shell mit print(MLproject)
verfügbar. Das Modul MLflow wird importiert.
Diese Übung ist Teil des Kurses
Einführung in MLflow
Anleitung zur Übung
- Weise die Methode
run()
aus dem Modul MLflow Projects einer Variablen namensmodel_engineering
zu. - Setze das Argument für den Einstiegspunkt auf
"model_engineering"
. - Setze die Parameter für das Training des Modells.
"n_jobs"
auf2
und"fit_intercept"
aufFalse
. - Setze das Attribut
run_id
vonmodel_engineering
auf eine Variable namensmodel_engineering_run_id
.
Interaktive Übung zum Anfassen
Probieren Sie diese Übung aus, indem Sie diesen Beispielcode ausführen.
# Set run method to model_engineering
____ = ____.____.____(
uri='./',
# Set entry point to model_engineering
____='____',
experiment_name='Insurance',
# Set the parameters for n_jobs and fit_intercept
parameters={
'____': ____,
'____': ____
},
env_manager='local'
)
# Set Run ID of model training to be passed to Model Evaluation step
____ = ____.____
print(model_engineering_run_id)