ComenzarEmpieza gratis

Crear un flujo de trabajo de varios pasos: Ingeniería de modelos

El módulo Proyectos de MLflow puede utilizarse como una forma de ejecutar un flujo de trabajo de varios pasos. Todos los pasos se pueden coordinar mediante un único programa Python que pasa los resultados de los pasos anteriores a los siguientes.

En este ejercicio, empezarás a crear un flujo de trabajo de varios pasos para gestionar los pasos de Ingeniería de Modelos y Evaluación de Modelos del ciclo de vida de ML. Utilizarás el método run() del módulo Proyectos de MLflow para el punto de entrada model_engineering y pasarás los parámetros utilizados como hiperparámetros para el entrenamiento del modelo. También capturarás la salida del run_id y la pondrás en una variable para poder pasarla como parámetro al paso model_evaluation del flujo de trabajo.

El MLproject creado en el paso anterior está disponible en la Shell de IPython utilizando print(MLproject). Se importa el módulo MLflow.

Este ejercicio forma parte del curso

Introducción a MLflow

Ver curso

Instrucciones de ejercicio

  • Asigna el método run() del módulo Proyectos MLflow a una variable llamada model_engineering.
  • Establece el argumento del punto de entrada en "model_engineering".
  • Establece los parámetros para el entrenamiento del modelo. "n_jobs" a 2 y "fit_intercept" a False.
  • Establece el atributo run_id de model_engineering en una variable llamada model_engineering_run_id.

Ejercicio interactivo práctico

Pruebe este ejercicio completando este código de muestra.

# 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)
Editar y ejecutar código