ComenzarEmpieza gratis

Sabor y evaluación de Scikit-learn

En este ejercicio entrenarás un modelo de clasificación y evaluarás su rendimiento. El modelo utiliza tu conjunto de datos Insurance Charges para clasificar si los cargos corresponden a una mujer o a un hombre.

Empezaremos registrando nuestro modelo en MLflow Tracking utilizando el sabor scikit-learn y terminaremos evaluando tu modelo utilizando un conjunto de datos de eval_data.

Tu conjunto de datos de evaluación se crea como eval_data y nuestro modelo se entrena con el nombre lr_class. El eval_data estará formado por X_test y y_test, ya que los datos de entrenamiento se dividieron utilizando la función train_test_split() de sklearn.

# Model
lr_class = LogisticRegression()
lr_class.fit(X_train, y_train)

Se importa el módulo mlflow.

Este ejercicio forma parte del curso

Introducción a MLflow

Ver curso

Instrucciones del ejercicio

  • Registra el modelo lr_class utilizando el sabor "incorporado" de scikit-learn.
  • Llama a la función evaluate() desde el módulo mlflow.
  • Evalúa el conjunto de datos eval_data y apunta a la columna "sex".

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Eval Data
eval_data = X_test
eval_data["sex"] = y_test
# Log the lr_class model using Scikit-Learn Flavor
___.___.___(____, "model")

# Get run id
run = mlflow.last_active_run()
run_id = run.info.run_id

# Evaluate the logged model with eval_data data
___.___(f"runs:/{run_id}/model", 
        ____=____, 
        ____="____",
        model_type="classifier"
)
Editar y ejecutar código