CommencezCommencez gratuitement

Consigner et charger un modèle

L'API Model offre une façon normalisée d'interagir avec vos modèles en les consignant et en les chargeant directement à partir d'MLflow Tracking. Pouvoir interagir avec les modèles est essentiel pendant le cycle de vie du Machine Learning, notamment pour l'ingénierie et l'évaluation des modèles.

Dans cet exercice, vous allez créer un modèle de régression linéaire avec scikit-learn en utilisant l'ensemble de données Unicorn. Ce modèle sera consigné dans MLflow Tracking, puis chargé au moyen du run_id ayant servi à consigner l'artéfact.

D'abord, vous consignerez le modèle à l'aide de la bibliothèque scikit-learn du module MLflow. Ensuite, vous chargerez le modèle depuis MLflow Tracking en utilisant le run_id.

Le modèle sera entraîné et portera le nom lr_model.

lr_model = LinearRegression()
lr_model.fit(X_train, y_train)

Le module mlflow sera importé.

Cette activité fait partie du cours

Introduction à MLflow

Voir le cours

Instructions de l’exercice

  • Consignez le modèle dans MLflow Tracking sous le chemin d'artéfact "lr_tracking".
  • Créez une variable nommée run et affectez-lui la dernière exécution.
  • Créez une autre variable nommée run_id et affectez-lui la valeur de run_id de la variable run.
  • Chargez le modèle en utilisant le run_id et le chemin d'artéfact qui a servi à consigner le modèle.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Log model to MLflow Tracking
____.____.____(____, "____")

# Get the last run
run = ____.____

# Get the run_id of the above run
run_id = ____.___.____

# Load model from MLflow Tracking
model = ____.____.____(f"runs:/{____}/____")
Modifier et exécuter le code