Aan de slagGa gratis aan de slag

Parameters toevoegen aan MLproject

Parameters definiëren in MLflow Projects zorgt ervoor dat je ML-code reproduceerbaar is. Parameters maken het ook makkelijker om trainingsexperimenten met verschillende instellingen uit te voeren zonder code te wijzigen.

In deze oefening ga je parameters toevoegen aan je MLproject-bestand voor het main-entrypoint. Dit entrypoint wordt gebruikt om het script train_model.py uit te voeren, dat een Logistic Regression-model traint op Insurance-gegevens.

Het script accepteert twee parameters, n_jobs en fit_intercept, dit zijn hyperparameters die worden gebruikt om het model te trainen. Je begint met het toevoegen van de parameter n_jobs in het MLproject-bestand. Vervolgens voeg je de parameter fit_intercept toe. Tot slot voeg je de parameters toe aan het command dat wordt uitgevoerd in het main-entrypoint.

Deze oefening maakt deel uit van de cursus

Introductie tot MLflow

Cursus bekijken

Oefeninstructies

  • Maak een parameter met de naam n_jobs van het type int en een standaardwaarde van 1.
  • Maak een tweede parameter met de naam fit_intercept van het type bool met als standaardwaarde True.
  • Geef beide parameters door aan het command, waarbij n_jobs als eerste komt gevolgd door fit_intercept.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

"""
name: insurance_model
python_env: python_env.yaml
entry_points:
  main:
    parameters:
      # Create parameter for number of jobs as n_jobs
      ____:
        ____: ____
        ____: ____
      # Create parameter for fit_intercept
      ____:
        ____: ____
        ____: ____
    # Add parameters to be passed into the command
    command: "python3.9 train_model.py {____} {____}"
"""
Code bewerken en uitvoeren