Sauvegarde et chargement d'un modèle
Avec l'API de modèle, les modèles peuvent être partagés entre des développeurs qui n'ont pas forcément accès au même serveur de suivi MLflow en utilisant un système de fichiers local.
Dans cet exercice, vous formerez un nouveau modèle de régression linéaire à partir d'un modèle existant en utilisant l'ensemble de données Unicorn. Tout d'abord, vous allez charger un modèle existant à partir du système de fichiers local. Ensuite, vous formerez un nouveau modèle à partir du modèle existant et l'enregistrerez dans le système de fichiers local.
Le modèle existant a été enregistré sur le système de fichiers local dans un répertoire appelé "lr_local_v1". Le module mlflow sera importé.
Cet exercice fait partie du cours
Introduction à MLflow
Instructions
- Chargez le modèle à partir du répertoire du système de fichiers local
"lr_local_v1"en utilisant la bibliothèque scikit-learn du module MLflow. - En utilisant la bibliothèque scikit-learn du module
mlflow, enregistrez le modèle localement dans un répertoire appelé"lr_local_v2".
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Load model from local filesystem
model = ____.____.____("____")
# Training Data
X = df[["R&D Spend", "Administration", "Marketing Spend", "State"]]
y = df[["Profit"]]
X_train, X_test, y_train, y_test = train_test_split(X, y, train_size=0.7,random_state=0)
# Train Model
model.fit(X_train, y_train)
# Save model to local filesystem
____.____.____(____, "____")