IniziaInizia gratis

Creare un flusso di lavoro in più fasi: Modellistica

Il modulo Progetti di MLflow può essere utilizzato per eseguire un flusso di lavoro in più fasi. Tutti i passaggi possono essere coordinati attraverso un unico programma Python che passa i risultati dei passaggi precedenti a quelli successivi.

In questo esercizio inizierai a creare un flusso di lavoro in più fasi per gestire le fasi di Model Engineering e Model Evaluation del ciclo di vita di ML. Utilizzerai il metodo run() del modulo MLflow Projects per il punto di ingresso model_engineering e passerai i parametri utilizzati come iperparametri per la formazione del modello. Inoltre, catturerai l'output di run_id e lo imposterai in una variabile in modo che possa essere passato al passaggio model_evaluation del flusso di lavoro come parametro.

Il sito MLproject creato nel passo precedente è disponibile nella Shell di IPython utilizzando print(MLproject). Il modulo MLflow è importato.

Questo esercizio fa parte del corso

Introduzione a MLflow

Visualizza il corso

Istruzioni dell'esercizio

  • Assegna il metodo run() del modulo MLflow Projects a una variabile chiamata model_engineering.
  • Imposta l'argomento del punto di ingresso su "model_engineering".
  • Imposta i parametri per la formazione del modello. "n_jobs" a 2 e "fit_intercept" a False.
  • Imposta l'attributo run_id di model_engineering su una variabile chiamata model_engineering_run_id.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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)
Modifica ed esegui il codice