Rechercher des résultats d’expériences
MLflow facilite l’interrogation des résultats de vos expériences, afin de suivre les performances des modèles et les hyperparamètres.
Examinons votre expérience la plus récente et identifions le modèle avec la plus faible erreur MAPE (Mean Absolute Percentage Error).
Cet exercice fait partie du cours
<cours>Concevoir des pipelines de prévision pour la production</cours>Instructions de l’exercice
- Recherchez les exécutions MLflow par
experiment_name. - Récupérez le meilleur modèle unique depuis
all_resultsen fonction demetrics.mape. - Affichez le sous-ensemble de
best_mape_model.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
experiment_name = "hyperparameter_tuning"
# Search MLflow runs
all_results = mlflow.____(experiment_names=[____])
# Filter for the model with the best MAPE score
best_mape_model = all_results.____("metrics.mape").head(____)
# Print the model
print(____[["params.model_name", "metrics.mape"]])