시작하기무료로 시작하기

모델 로깅과 로딩

Model API는 표준화된 방식으로 MLflow Tracking에서 모델을 직접 로깅하고 로딩할 수 있도록 해 줍니다. 모델과 상호작용하는 능력은 ML 라이프사이클에서 Model Engineering과 Model Evaluation 단계에 매우 중요해요.

이 연습 문제에서는 scikit-learn으로 Unicorn 데이터셋을 사용해 Linear Regression 모델을 만듭니다. 이 모델을 MLflow Tracking에 로깅한 뒤, 아티팩트를 로깅할 때 사용한 run_id로 다시 로딩할 거예요.

먼저, MLflow 모듈의 scikit-learn 라이브러리를 사용해 모델을 로깅하세요. 그런 다음 run_id를 사용해 MLflow Tracking에서 모델을 로딩하세요.

모델은 학습되며 이름은 lr_model입니다. 

lr_model = LinearRegression()
lr_model.fit(X_train, y_train)

mlflow 모듈은 이미 임포트되어 있어요.

이 연습은 강의의 일부입니다

MLflow 소개

강의 보기

연습 안내

  • 아티팩트 경로 "lr_tracking" 아래로 모델을 MLflow Tracking에 로그하세요.
  • run이라는 변수를 만들고, 마지막 실행으로 설정하세요.
  • run 변수의 run_id를 가져와 run_id라는 변수에 저장하세요.
  • 모델을 로그할 때 사용한 아티팩트 경로와 run_id를 사용해 모델을 로드하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Log model to MLflow Tracking
____.____.____(____, "____")

# Get the last run
run = ____.____

# Get the run_id of the above run
run_id = ____.___.____

# Load model from MLflow Tracking
model = ____.____.____(f"runs:/{____}/____")
코드 편집 및 실행