Registrare il modello

L'ultimo passaggio è registrare e loggare il modello addestrato con MLflow. In questo modo puoi tracciare e versionare i modelli per la messa in produzione.

I pacchetti datetime, mlflow, mlforecast.flavor e il modello addestrato mlf sono già caricati per te.

Questo esercizio fa parte del corso

Progettare pipeline di forecasting per la produzione

Visualizza il corso

Istruzioni dell'esercizio

Imposta run_name usando il timestamp corrente creato per te nella variabile run_time.
Usa mlflow.start_run() per avviare una run con l'ID esperimento specificato.
Registra il modello usando il metodo corretto.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

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}")

Modifica ed esegui il codice