MulaiMulai sekarang secara gratis

Membuat alur kerja multi-langkah: Model Engineering

Modul MLflow Projects dapat digunakan untuk menjalankan alur kerja multi-langkah. Semua langkah dapat dikoordinasikan melalui satu program Python yang meneruskan hasil dari langkah sebelumnya ke langkah berikutnya.

Dalam latihan ini, Anda akan mulai membuat alur kerja multi-langkah untuk mengelola langkah Model Engineering dan Model Evaluation dalam siklus hidup ML. Anda akan menggunakan metode run() dari modul MLflow Projects untuk entry point model_engineering dan meneruskan parameter yang digunakan sebagai hyperparameter untuk pelatihan model. Anda juga akan menangkap keluaran run_id dan menyimpannya ke sebuah variabel sehingga dapat diteruskan ke langkah model_evaluation dalam alur kerja sebagai parameter.

MLproject yang dibuat pada langkah sebelumnya tersedia di IPython Shell menggunakan print(MLproject). Modul MLflow sudah diimpor.

Latihan ini adalah bagian dari kursus

Pengantar MLflow

Lihat Kursus

Petunjuk latihan

  • Tetapkan metode run() dari modul MLflow Projects ke variabel bernama model_engineering.
  • Atur argumen entry point menjadi "model_engineering".
  • Atur parameter untuk melatih model: "n_jobs" menjadi 2 dan "fit_intercept" menjadi False.
  • Tetapkan atribut run_id dari model_engineering ke variabel bernama model_engineering_run_id.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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)
Edit dan Jalankan Kode