MulaiMulai sekarang secara gratis

Menambahkan parameter ke MLproject

Mendefinisikan parameter dalam MLflow Projects memungkinkan Anda membuat kode ML yang dapat direproduksi. Parameter juga mempermudah menjalankan percobaan pelatihan dengan pengaturan berbeda tanpa harus mengubah kode.

Dalam latihan ini, Anda akan menambahkan parameter ke berkas MLproject untuk entry point utama. Entry point ini digunakan untuk menjalankan skrip train_model.py yang melatih model Logistic Regression dari data Insurance.

Skrip menerima dua parameter, n_jobs dan fit_intercept, yang merupakan hiperparameter untuk melatih model. Anda akan mulai dengan menambahkan parameter n_jobs dalam berkas MLproject. Lalu, Anda akan menambahkan parameter fit_intercept. Terakhir, Anda akan menambahkan parameter-parameter tersebut ke perintah yang dieksekusi pada entry point utama.

Latihan ini adalah bagian dari kursus

Pengantar MLflow

Lihat Kursus

Petunjuk latihan

  • Buat parameter bernama n_jobs bertipe int dengan nilai bawaan 1.
  • Buat parameter kedua bernama fit_intercept bertipe bool dengan nilai bawaan True.
  • Teruskan kedua parameter ke dalam perintah, pastikan n_jobs berada pertama diikuti oleh fit_intercept.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

"""
name: insurance_model
python_env: python_env.yaml
entry_points:
  main:
    parameters:
      # Create parameter for number of jobs as n_jobs
      ____:
        ____: ____
        ____: ____
      # Create parameter for fit_intercept
      ____:
        ____: ____
        ____: ____
    # Add parameters to be passed into the command
    command: "python3.9 train_model.py {____} {____}"
"""
Edit dan Jalankan Kode