Aan de slagGa gratis aan de slag

Een workflow met meerdere stappen maken: Model engineering

De MLflow Projects-module kan worden gebruikt om een workflow met meerdere stappen uit te voeren. Alle stappen kunnen worden gecoördineerd via één Python-programma dat resultaten van eerdere stappen doorgeeft aan de volgende.

In deze oefening begin je met het opzetten van een workflow met meerdere stappen om de stappen Model Engineering en Model Evaluation van de ML-levenscyclus te beheren. Je gebruikt de methode run() uit de MLflow Projects-module voor het entrypoint model_engineering en geeft parameters door die worden gebruikt als hyperparameters voor het trainen van het model. Je legt ook de uitvoer van de run_id vast en slaat die op in een variabele, zodat je die als parameter kunt doorgeven aan de stap model_evaluation van de workflow.

Het MLproject dat in de vorige stap is gemaakt, is beschikbaar in de IPython-shell via print(MLproject). De MLflow-module is geïmporteerd.

Deze oefening maakt deel uit van de cursus

Introductie tot MLflow

Cursus bekijken

Oefeninstructies

  • Ken de methode run() uit de MLflow Projects-module toe aan een variabele met de naam model_engineering.
  • Stel het entrypoint-argument in op "model_engineering".
  • Stel parameters in voor het trainen van het model: "n_jobs" op 2 en "fit_intercept" op False.
  • Zet het attribuut run_id van model_engineering in een variabele met de naam model_engineering_run_id.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Set run method to model_engineering
____ = ____.____.____(
    uri='./',
    # Set entry point to model_engineering
    ____='____',
    experiment_name='Insurance',
    # Set the parameters for n_jobs and fit_intercept
    parameters={
        '____': ____, 
        '____': ____
    },
    env_manager='local'
)

# Set Run ID of model training to be passed to Model Evaluation step
____ = ____.____
print(model_engineering_run_id)
Code bewerken en uitvoeren