Modello scikit-learn personalizzato
In questo esercizio creerai un modello personalizzato utilizzando l'opzione pyfunc di MLflow. Utilizzando il dataset insurance_charges, le etichette devono essere cambiate da female a 0 e da male a 1 per la classificazione durante la formazione. Quando si utilizza il modello, le stringhe female o male devono essere restituite al posto di 0 o 1.
Il modello personalizzato è un modello di classificazione basato su LogisticRegression e utilizzerà una classe chiamata CustomPredict. CustomPredict aggiunge un passaggio supplementare nel metodo predict che imposta le etichette di 0 e 1 su female e male quando il modello riceve l'input. Utilizzerai il sapore di pyfunc per registrare e caricare il tuo modello.
Il nostro dataset insurance_charges sarà preprocessato e il modello sarà addestrato utilizzando:
lr_model = LogisticRegression().fit(X_train, y_train)
Il modulo MLflow verrà importato.
Questo esercizio fa parte del corso
Introduzione a MLflow
Istruzioni dell'esercizio
- Usa l'opzione
pyfuncdi MLflow per registrare il modello personalizzato. - Imposta l'argomento
pyfuncpython_modelper utilizzare la classe personalizzataCustomPredict(). - Carica il modello personalizzato usando
pyfunc.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Log the pyfunc model
____.____.____(
artifact_path="lr_pyfunc",
# Set model to use CustomPredict Class
python_model=____,
artifacts={"lr_model": "lr_model"}
)
run = mlflow.last_active_run()
run_id = run.info.run_id
# Load the model in python_function format
loaded_model = ____.____.____(f"runs:/{run_id}/lr_pyfunc")