Het model registreren

De laatste stap is het registreren en loggen van het getrainde model met MLflow. Zo kun je je modellen volgen en versies bijhouden voor productie-deployments.

De pakketten datetime, mlflow, mlforecast.flavor en het getrainde mlf-model zijn alvast voor je geladen.

Deze oefening maakt deel uit van de cursus

Forecasting-pijplijnen ontwerpen voor productie

Cursus bekijken

Oefeninstructies

Stel run_name in met de huidige timestamp die voor je is aangemaakt in de variabele run_time.
Gebruik mlflow.start_run() om een run te starten met de opgegeven experiment-ID.
Log het model met de juiste methode.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

experiment_name = "ml_forecast"
try:
    mlflow.create_experiment(name=experiment_name)
    meta = mlflow.get_experiment_by_name(experiment_name)
    print(f"Setting a new experiment {experiment_name}")
except:
    print(f"Experiment {experiment_name} exists, pulling the metadata")
    meta = mlflow.get_experiment_by_name(experiment_name)

# Setup the run name and time
run_time = datetime.datetime.now().strftime("%Y-%m-%d %H-%M-%S")
run_name = f"lightGBM6_{____}"

# Start the run
with mlflow.____(experiment_id=meta.experiment_id, run_name=run_name) as run:
    # Log the model
    mlforecast.flavor.____(model=mlf, artifact_path="prod_model")
    print(f"MLflow Run created - Name: {run_name}, ID: {run.info.run_id}")

Code bewerken en uitvoeren