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

Cursus bekijken

Oefeninstructies

Stel de experimentnaam in op "hyperparameter_tuning".
Loop over de index en rijen van df.
Start een MLflow-run.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in 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"])

Code bewerken en uitvoeren