Mendaftarkan model

Langkah terakhir adalah mendaftarkan dan mencatat model yang telah di-fit menggunakan MLflow. Ini memungkinkan Anda melacak dan membuat versi model untuk penerapan produksi.

Paket datetime, mlflow, mlforecast.flavor, dan model mlf yang telah di-fit sudah dimuat untuk Anda.

Latihan ini adalah bagian dari kursus

Merancang Pipeline Peramalan untuk Produksi

Lihat Kursus

Petunjuk latihan

Atur run_name menggunakan stempel waktu saat ini yang telah dibuatkan untuk Anda dalam variabel run_time.
Gunakan mlflow.start_run() untuk memulai run dengan ID eksperimen yang ditentukan.
Catat model menggunakan metode yang tepat.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

experiment_name = "ml_forecast"
try:
    mlflow.create_experiment(name=experiment_name)
    meta = mlflow.get_experiment_by_name(experiment_name)
    print(f"Setting a new experiment {experiment_name}")
except:
    print(f"Experiment {experiment_name} exists, pulling the metadata")
    meta = mlflow.get_experiment_by_name(experiment_name)

# Setup the run name and time
run_time = datetime.datetime.now().strftime("%Y-%m-%d %H-%M-%S")
run_name = f"lightGBM6_{____}"

# Start the run
with mlflow.____(experiment_id=meta.experiment_id, run_name=run_name) as run:
    # Log the model
    mlforecast.flavor.____(model=mlf, artifact_path="prod_model")
    print(f"MLflow Run created - Name: {run_name}, ID: {run.info.run_id}")

Edit dan Jalankan Kode