Registrando o modelo

A etapa final é registrar e registrar em log o modelo ajustado usando o MLflow. Isso permite acompanhar e versionar seus modelos para implantação em produção.

Os pacotes datetime, mlflow, mlforecast.flavor e o modelo ajustado mlf já estão pré-carregados para você.

Este exercício faz parte do curso

Projetando Pipelines de Previsão para Produção

Ver curso

Instruções do exercício

Defina o run_name usando o carimbo de data e hora atual criado para você na variável run_time.
Use mlflow.start_run() para iniciar uma execução com o ID de experimento especificado.
Registre o modelo usando o método correto.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

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}")

Editar e executar o código