Aan de slagGa gratis aan de slag

Scikit-learn flavor en evaluatie

In deze oefening train je een classificatiemodel en evalueer je de prestaties. Het model gebruikt je Insurance Charges-gegevensset om te classificeren of de kosten voor een vrouw of man waren.

We beginnen met het loggen van ons model naar MLflow Tracking met de scikit-learn-flavor en ronden af met het evalueren van je model met een eval_data-gegevensset.

Je evaluatiegegevensset is aangemaakt als eval_data en ons model is getraind met de naam lr_class. De eval_data bestaat uit X_test en y_test, omdat de trainingsgegevens zijn gesplitst met de functie train_test_split() uit sklearn.

# Model
lr_class = LogisticRegression()
lr_class.fit(X_train, y_train)

De mlflow-module is geïmporteerd.

Deze oefening maakt deel uit van de cursus

Introductie tot MLflow

Cursus bekijken

Oefeninstructies

  • Log het lr_class-model met de ingebouwde scikit-learn-flavor.
  • Roep de functie evaluate() aan uit de mlflow-module.
  • Evalueer de eval_data-gegevensset en gebruik de kolom "sex" als target.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Eval Data
eval_data = X_test
eval_data["sex"] = y_test
# Log the lr_class model using Scikit-Learn Flavor
___.___.___(____, "model")

# Get run id
run = mlflow.last_active_run()
run_id = run.info.run_id

# Evaluate the logged model with eval_data data
___.___(f"runs:/{run_id}/model", 
        ____=____, 
        ____="____",
        model_type="classifier"
)
Code bewerken en uitvoeren