マルチステップワークフローの作成：Model Engineering
MLflow Projects モジュールは、マルチステップのワークフローを実行する手段として使えます。すべてのステップは、前のステップの結果を次のステップへ渡す単一の Python プログラムから統合的に実行できます。
この演習では、ML ライフサイクルの Model Engineering と Model Evaluation のステップを管理するため、マルチステップのワークフローを作り始めます。MLflow Projects モジュールの run() メソッドを使って model_engineering エントリポイントを実行し、モデル学習に使うハイパーパラメータを渡します。また、run_id の出力を取得して変数に設定し、ワークフローの model_evaluation ステップへパラメータとして渡せるようにします。
前のステップで作成した MLproject は IPython Shell で print(MLproject) を使って参照できます。MLflow モジュールはインポート済みです。
この演習はコースの一部です
MLflow 入門
演習の手順
- MLflow Projects モジュールの
run()メソッドを、model_engineeringという変数に代入します。 - エントリポイント引数を
"model_engineering"に設定します。 - モデル学習用のパラメータを設定します。
"n_jobs"は2、"fit_intercept"はFalseにします。 model_engineeringのrun_id属性を、model_engineering_run_idという変数に設定します。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# 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)