Guardar y cargar un modelo
Con la API de Modelos, los modelos pueden compartirse entre desarrolladores que no tengan acceso al mismo servidor de Seguimiento MLflow utilizando un sistema de archivos local.
En este ejercicio, entrenarás un nuevo modelo LinearRegression a partir de uno existente utilizando el conjunto de datos Unicorn. En primer lugar, cargarás un modelo existente desde el sistema de archivos local. A continuación, entrenarás un nuevo modelo a partir del modelo existente y lo volverás a guardar en el sistema de archivos local.
El modelo existente se ha guardado en el sistema de archivos local en un directorio llamado "lr_local_v1". Se importará el módulo mlflow.
Este ejercicio forma parte del curso
Introducción a MLflow
Instrucciones de ejercicio
- Carga el modelo desde el directorio del sistema de archivos local
"lr_local_v1"utilizando la biblioteca scikit-learn del módulo MLflow. - Utilizando la biblioteca scikit-learn del módulo
mlflow, guarda el modelo localmente en un directorio llamado"lr_local_v2".
Ejercicio interactivo práctico
Pruebe este ejercicio completando este código de muestra.
# Load model from local filesystem
model = ____.____.____("____")
# Training Data
X = df[["R&D Spend", "Administration", "Marketing Spend", "State"]]
y = df[["Profit"]]
X_train, X_test, y_train, y_test = train_test_split(X, y, train_size=0.7,random_state=0)
# Train Model
model.fit(X_train, y_train)
# Save model to local filesystem
____.____.____(____, "____")