CommencezCommencez gratuitement

Saveur scikit-learn et évaluation

Dans cet exercice, vous allez entraîner un modèle de classification et évaluer sa performance. Le modèle utilise votre jeu de données Insurance Charges afin de classer si les frais proviennent d'une femme ou d'un homme.

Nous allons commencer par consigner notre modèle dans MLflow Tracking en utilisant la saveur scikit-learn, puis terminer en évaluant votre modèle avec un jeu de données eval_data.

Votre jeu de données d'évaluation a été créé sous le nom eval_data, et notre modèle a été entraîné avec le nom lr_class. Le eval_data est composé de X_test et y_test, puisque les données d'entraînement ont été séparées à l'aide de la fonction train_test_split() de sklearn.

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

Le module mlflow est importé.

Cette activité fait partie du cours

Introduction à MLflow

Voir le cours

Instructions de l’exercice

  • Consignez le modèle lr_class en utilisant la saveur « intégrée » scikit-learn.
  • Appelez la fonction evaluate() du module mlflow.
  • Évaluez le jeu de données eval_data et ciblez la colonne "sex".

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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"
)
Modifier et exécuter le code