CommencerCommencer gratuitement

Enregistrer et charger un modèle

L’API Model offre un moyen d’interagir avec vos modèles en les enregistrant et en les rechargeant directement depuis MLflow Tracking de manière standardisée. Pouvoir interagir avec les modèles est essentiel pendant le cycle de vie du ML, notamment pour les étapes d’ingénierie et d’évaluation du modèle.

Dans cet exercice, vous allez créer un modèle de régression linéaire avec scikit-learn en utilisant le jeu de données Unicorn. Ce modèle sera enregistré dans MLflow Tracking, puis rechargé à l’aide du run_id utilisé lors de l’enregistrement de l’artéfact.

Vous commencerez par enregistrer le modèle via la bibliothèque scikit-learn du module MLflow. Ensuite, vous chargerez le modèle depuis MLflow Tracking à l’aide du run_id.

Le modèle sera entraîné et portera le nom lr_model.

lr_model = LinearRegression()
lr_model.fit(X_train, y_train)

Le module mlflow sera importé.

Cet exercice fait partie du cours

Introduction à MLflow

Afficher le cours

Instructions

  • Enregistrez le modèle dans MLflow Tracking sous le chemin d’artéfact "lr_tracking".
  • Créez une variable appelée run et affectez-lui la dernière exécution.
  • Créez une autre variable appelée run_id et affectez-lui le run_id de la variable run.
  • Chargez le modèle en utilisant le run_id et le chemin d’artéfact utilisé pour l’enregistrer.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Log model to MLflow Tracking
____.____.____(____, "____")

# Get the last run
run = ____.____

# Get the run_id of the above run
run_id = ____.___.____

# Load model from MLflow Tracking
model = ____.____.____(f"runs:/{____}/____")
Modifier et exécuter le code