Registrare i modelli ottimizzati
Hai sperimentato con diversi iperparametri del modello e devi registrare su MLflow l’ultimo round di risultati dell’esperimento: facciamolo!
Questo esercizio fa parte del corso
Progettare pipeline di forecasting per la produzione
Istruzioni dell'esercizio
- Imposta il nome dell’esperimento a
"hyperparameter_tuning". - Itera su indice e righe di
df. - Avvia un run di MLflow.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Set the experiment name
experiment_name = "____"
experiment_id = mlflow.create_experiment(experiment_name)
# Loop through the DataFrame
for idx, row in df.____():
# Start a run
with mlflow.____(experiment_id=____):
model_params = ml_models[row["model_label"]].get_params()
model_params["model_name"] = row["model_name"]
model_params["model_label"] = row["model_label"]
model_params["partition"] = row["partition"]
model_params["lags"] = list(range(1, 24))
model_params["date_features"] = ["month", "day", "dayofweek", "week", "hour"]
mlflow.log_params(model_params)
mlflow.log_metric("mape", row["mape"])
mlflow.log_metric("rmse", row["rmse"])