MLFlow pour consigner et récupérer des données
MLflow est une plateforme open source pour gérer le cycle de vie du Machine Learning. Elle permet de suivre les expériences, d’empaqueter le code en exécutions reproductibles, et de partager et déployer des modèles. Dans l’exercice suivant, vous allez consigner certains paramètres d’une expérience d’entraînement pour votre modèle de maladie cardiaque. mlflow est importé, et le model de maladie cardiaque entraîné a été chargé pour vous.
Cet exercice fait partie du cours
Machine Learning de bout en bout
Instructions
- Initialisez une expérience MLflow nommée
"Logistic Regression Heart Disease Prediction". - Démarrez une exécution et consignez le coefficient et l’ordonnée à l’origine du modèle entraîné.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Initialize the MLflow experiment
____.____("Logistic Regression Heart Disease Prediction")
# Start a run, log model coefficients and intercept
with ____.____:
for idx, coef in enumerate(model.coef_[0]):
____.____(f"coef_{idx}", ____)
____.____("intercept", model.intercept_[0])
run_id = mlflow.active_run().info.run_id
print(run_id)