Registrar el modelo

El paso final es registrar y dejar constancia del modelo ajustado usando MLflow. Esto te permite hacer seguimiento y versionar tus modelos para su despliegue en producción.

Los paquetes datetime, mlflow, mlforecast.flavor y el modelo ajustado mlf ya están cargados para ti.

Este ejercicio forma parte del curso

Diseño de canalizaciones de predicción para producción

Ver curso

Instrucciones del ejercicio

Define run_name usando la marca temporal actual creada para ti en la variable run_time.
Usa mlflow.start_run() para iniciar una ejecución con el ID de experimento especificado.
Registra el modelo usando el método adecuado.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

experiment_name = "ml_forecast"
try:
    mlflow.create_experiment(name=experiment_name)
    meta = mlflow.get_experiment_by_name(experiment_name)
    print(f"Setting a new experiment {experiment_name}")
except:
    print(f"Experiment {experiment_name} exists, pulling the metadata")
    meta = mlflow.get_experiment_by_name(experiment_name)

# Setup the run name and time
run_time = datetime.datetime.now().strftime("%Y-%m-%d %H-%M-%S")
run_name = f"lightGBM6_{____}"

# Start the run
with mlflow.____(experiment_id=meta.experiment_id, run_name=run_name) as run:
    # Log the model
    mlforecast.flavor.____(model=mlf, artifact_path="prod_model")
    print(f"MLflow Run created - Name: {run_name}, ID: {run.info.run_id}")

Editar y ejecutar código