CommencerCommencer gratuitement

Création d'un flux de travail en plusieurs étapes : Ingénierie des modèles

Le module MLflow Projects peut être utilisé pour exécuter un flux de travail en plusieurs étapes. Toutes les étapes peuvent être coordonnées par un seul programme Python qui transmet les résultats des étapes précédentes à l'étape suivante.

Dans cet exercice, vous commencerez à créer un flux de travail en plusieurs étapes pour gérer les étapes d'ingénierie et d'évaluation des modèles du cycle de vie de ML. Vous utiliserez la méthode run() du module MLflow Projects pour le point d'entrée model_engineering et transmettrez les paramètres utilisés comme hyperparamètres pour l'apprentissage du modèle. Vous capturerez également le résultat de l'étape run_id et le placerez dans une variable afin qu'il puisse être transmis à l'étape model_evaluation du flux de travail en tant que paramètre.

Le site MLproject créé à l'étape précédente est disponible dans le shell IPython à l'aide de print(MLproject). Le module MLflow est importé.

Cet exercice fait partie du cours

Introduction à MLflow

Afficher le cours

Instructions

  • Attribuez la méthode run() du module MLflow Projects à une variable appelée model_engineering.
  • Fixez l'argument du point d'entrée à "model_engineering".
  • Définissez les paramètres de formation du modèle. "n_jobs" à 2 et "fit_intercept" à False.
  • Attribuez l'attribut run_id de model_engineering à une variable appelée model_engineering_run_id.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Set run method to model_engineering
____ = ____.____.____(
    uri='./',
    # Set entry point to model_engineering
    ____='____',
    experiment_name='Insurance',
    # Set the parameters for n_jobs and fit_intercept
    parameters={
        '____': ____, 
        '____': ____
    },
    env_manager='local'
)

# Set Run ID of model training to be passed to Model Evaluation step
____ = ____.____
print(model_engineering_run_id)
Modifier et exécuter le code