Enregistrer le modèle

La dernière étape consiste à enregistrer et journaliser le modèle entraîné avec MLflow. Cela vous permet de suivre et de versionner vos modèles pour la mise en production.

Les packages datetime, mlflow, mlforecast.flavor, ainsi que le modèle entraîné mlf, sont déjà chargés pour vous.

Cet exercice fait partie du cours

<cours>Concevoir des pipelines de prévision pour la production</cours>

Voir le cours

Instructions de l’exercice

Définissez run_name en utilisant l’horodatage actuel fourni dans la variable run_time.
Utilisez mlflow.start_run() pour démarrer une exécution avec l’ID d’expérience indiqué.
Enregistrez le modèle avec la bonne méthode.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

experiment_name = "ml_forecast"
try:
    mlflow.create_experiment(name=experiment_name)
    meta = mlflow.get_experiment_by_name(experiment_name)
    print(f"Setting a new experiment {experiment_name}")
except:
    print(f"Experiment {experiment_name} exists, pulling the metadata")
    meta = mlflow.get_experiment_by_name(experiment_name)

# Setup the run name and time
run_time = datetime.datetime.now().strftime("%Y-%m-%d %H-%M-%S")
run_name = f"lightGBM6_{____}"

# Start the run
with mlflow.____(experiment_id=meta.experiment_id, run_name=run_name) as run:
    # Log the model
    mlforecast.flavor.____(model=mlf, artifact_path="prod_model")
    print(f"MLflow Run created - Name: {run_name}, ID: {run.info.run_id}")

Modifier et exécuter le code