Journaliser des modèles optimisés
Vous avez testé différents hyperparamètres de modèle et devez consigner votre dernière série de résultats d’expériences dans MLflow. Allons-y !
Cet exercice fait partie du cours
<cours>Concevoir des pipelines de prévision pour la production</cours>Instructions de l’exercice
- Définissez le nom de l’expérience sur
"hyperparameter_tuning". - Parcourez l’index et les lignes de
df. - Démarrez une exécution MLflow.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Set the experiment name
experiment_name = "____"
experiment_id = mlflow.create_experiment(experiment_name)
# Loop through the DataFrame
for idx, row in df.____():
# Start a run
with mlflow.____(experiment_id=____):
model_params = ml_models[row["model_label"]].get_params()
model_params["model_name"] = row["model_name"]
model_params["model_label"] = row["model_label"]
model_params["partition"] = row["partition"]
model_params["lags"] = list(range(1, 24))
model_params["date_features"] = ["month", "day", "dayofweek", "week", "hour"]
mlflow.log_params(model_params)
mlflow.log_metric("mape", row["mape"])
mlflow.log_metric("rmse", row["rmse"])