모델 저장과 로드
Model API를 사용하면 동일한 MLflow Tracking 서버에 접근할 수 없는 개발자끼리도 로컬 파일 시스템을 통해 모델을 공유할 수 있어요.
이 연습에서는 Unicorn 데이터셋을 사용해 기존 모델로부터 새로운 LinearRegression 모델을 학습해 보겠습니다. 먼저 로컬 파일 시스템에서 기존 모델을 로드하고, 그 모델을 기반으로 새 모델을 학습한 뒤 다시 로컬 파일 시스템에 저장할 거예요.
기존 모델은 "lr_local_v1"라는 디렉터리에 로컬 파일 시스템으로 저장되어 있습니다. mlflow 모듈은 이미 임포트되어 있어요.
이 연습은 강의의 일부입니다
MLflow 소개
연습 안내
- MLflow 모듈의 scikit-learn 라이브러리를 사용해 로컬 파일 시스템 디렉터리
"lr_local_v1"에서 모델을 로드하세요. mlflow모듈의 scikit-learn 라이브러리를 사용해 모델을"lr_local_v2"라는 디렉터리에 로컬로 저장하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# Load model from local filesystem
model = ____.____.____("____")
# Training Data
X = df[["R&D Spend", "Administration", "Marketing Spend", "State"]]
y = df[["Profit"]]
X_train, X_test, y_train, y_test = train_test_split(X, y, train_size=0.7,random_state=0)
# Train Model
model.fit(X_train, y_train)
# Save model to local filesystem
____.____.____(____, "____")