CommencezCommencez gratuitement

Ajouter des paramètres à MLproject

Définir des paramètres dans MLflow Projects vous permet de rendre votre code ML reproductible. Les paramètres simplifient aussi l'exécution d'expériences d'entraînement avec différents réglages sans avoir à modifier le code.

Dans cet exercice, vous allez ajouter des paramètres à votre fichier MLproject pour le point d'entrée principal. Ce point d'entrée sert à exécuter le script train_model.py, qui entraîne un modèle de régression logistique à partir de données d'assurance.

Le script accepte deux paramètres, n_jobs et fit_intercept, qui sont des hyperparamètres utilisés pour entraîner le modèle. Vous commencerez par ajouter le paramètre n_jobs dans le fichier MLproject. Vous ajouterez ensuite le paramètre fit_intercept. Enfin, vous ajouterez les paramètres à la commande exécutée dans le point d'entrée principal.

Cette activité fait partie du cours

Introduction à MLflow

Voir le cours

Instructions de l’exercice

  • Créez un paramètre nommé n_jobs de type int avec une valeur par défaut de 1.
  • Créez un deuxième paramètre nommé fit_intercept de type bool avec une valeur par défaut à True.
  • Transmettez les deux paramètres à la commande en veillant à ce que n_jobs soit le premier, suivi de fit_intercept.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

"""
name: insurance_model
python_env: python_env.yaml
entry_points:
  main:
    parameters:
      # Create parameter for number of jobs as n_jobs
      ____:
        ____: ____
        ____: ____
      # Create parameter for fit_intercept
      ____:
        ____: ____
        ____: ____
    # Add parameters to be passed into the command
    command: "python3.9 train_model.py {____} {____}"
"""
Modifier et exécuter le code