Getunede modellen loggen
Je hebt geëxperimenteerd met verschillende modelhyperparameters en je moet je laatste ronde experimenteerresultaten naar MLflow loggen. Aan de slag!
Deze oefening maakt deel uit van de cursus
Forecasting-pijplijnen ontwerpen voor productie
Oefeninstructies
- Stel de experimentnaam in op
"hyperparameter_tuning". - Loop over de index en rijen van
df. - Start een MLflow-run.
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# Set the experiment name
experiment_name = "____"
experiment_id = mlflow.create_experiment(experiment_name)
# Loop through the DataFrame
for idx, row in df.____():
# Start a run
with mlflow.____(experiment_id=____):
model_params = ml_models[row["model_label"]].get_params()
model_params["model_name"] = row["model_name"]
model_params["model_label"] = row["model_label"]
model_params["partition"] = row["partition"]
model_params["lags"] = list(range(1, 24))
model_params["date_features"] = ["month", "day", "dayofweek", "week", "hour"]
mlflow.log_params(model_params)
mlflow.log_metric("mape", row["mape"])
mlflow.log_metric("rmse", row["rmse"])