CommencezCommencez gratuitement

Enregistrer et charger un modèle

Avec la Model API, les modèles peuvent être partagés entre des développeurs qui n'ont peut‑être pas accès au même serveur MLflow Tracking en utilisant un système de fichiers local.

Dans cet exercice, vous entraînerez un nouveau modèle LinearRegression à partir d'un modèle existant en utilisant l'ensemble de données Unicorn. Vous commencerez par charger un modèle existant à partir du système de fichiers local. Ensuite, vous entraînerez un nouveau modèle à partir de ce modèle existant et vous l'enregistrerez de nouveau dans le système de fichiers local.

Le modèle existant a été enregistré dans le système de fichiers local dans un répertoire appelé "lr_local_v1". Le module mlflow sera importé.

Cette activité fait partie du cours

Introduction à MLflow

Voir le cours

Instructions de l’exercice

  • Chargez le modèle à partir du répertoire du système de fichiers local "lr_local_v1" en utilisant la bibliothèque scikit-learn du module MLflow.
  • À l'aide de la bibliothèque scikit-learn du module mlflow, enregistrez localement le modèle dans un répertoire appelé "lr_local_v2".

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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
____.____.____(____, "____")
Modifier et exécuter le code