Een model loggen en laden
De Model API biedt een manier om op een gestandaardiseerde manier met onze modellen te werken door ze direct vanuit MLflow Tracking te loggen en te laden. Kunnen werken met modellen is cruciaal tijdens de ML-lifecycle voor de stappen Model Engineering en Model Evaluation.
In deze oefening maak je een Linear Regression-model uit scikit-learn met de Unicorn-gegevensset. Dit model wordt gelogd naar MLflow Tracking en vervolgens geladen met de run_id die is gebruikt om het artefact te loggen.
Eerst log je het model met de scikit-learn-bibliotheek uit de MLflow-module. Daarna laad je het model vanuit MLflow Tracking met de run_id.
Het model wordt getraind en heeft de naam lr_model.
lr_model = LinearRegression()
lr_model.fit(X_train, y_train)
De mlflow-module wordt geïmporteerd.
Deze oefening maakt deel uit van de cursus
Introductie tot MLflow
Oefeninstructies
- Log het model naar MLflow Tracking onder het artefactpad
"lr_tracking". - Maak een variabele
rundie is ingesteld op de laatste run. - Maak een tweede variabele
run_iddie is ingesteld op derun_idvan de variabelerun. - Laad het model met de
run_iden het artefactpad dat is gebruikt om het model te loggen.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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:/{____}/____")