Enregistrement et chargement d'un modèle
L'API Modèle permet d'interagir avec nos modèles en les enregistrant et en les chargeant directement depuis le cursus MLflow de manière standardisée. La possibilité d'interagir avec les modèles est cruciale au cours du cycle de vie de ML pour les étapes d'ingénierie et d'évaluation des modèles.
Dans cet exercice, vous allez créer un modèle de régression linéaire à partir de scikit-learn en utilisant le jeu de données Unicorn. Ce modèle sera enregistré dans le cursus MLflow, puis chargé à l'aide de l'identifiant d'exécution (run_id) utilisé pour enregistrer l'artefact.
Tout d'abord, vous allez enregistrer le modèle à l'aide de la bibliothèque scikit-learn du module MLflow. Vous allez ensuite charger le modèle à partir du cursus MLflow en utilisant le site run_id.
Le modèle sera formé 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
Instructions
- Enregistrez le modèle dans le cursus MLflow sous le chemin d'artefact de
"lr_tracking". - Créez une variable appelée
runqui correspond à la dernière exécution. - Créez une autre variable, appelée
run_id, dont la valeur est égale àrun_idde la variablerun. - Chargez le modèle en utilisant le site
run_idet le chemin d'accès à l'artefact utilisé pour enregistrer le modèle.
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:/{____}/____")