Model scikit-learn personalizat

În acest exercițiu vei crea un model personalizat folosind varianta pyfunc din MLflow. Folosind setul de date insurance_charges, etichetele trebuie schimbate din female în 0 și din male în 1 pentru clasificare în timpul antrenării. Când modelul este utilizat, în loc de 0 sau 1 trebuie returnate șirurile female sau male.

Modelul personalizat este un model de clasificare bazat pe LogisticRegression și va folosi o clasă numită CustomPredict. Clasa CustomPredict adaugă un pas suplimentar în metoda predict, care convertește etichetele 0 și 1 înapoi în female și male atunci când modelul primește date de intrare. Vei folosi varianta pyfunc pentru înregistrarea și încărcarea modelului.

Setul de date insurance_charges va fi preprocesат, iar modelul va fi antrenat folosind:

lr_model = LogisticRegression().fit(X_train, y_train)

Modulul MLflow va fi importat.

Acest exercițiu face parte din cursul

Introducere în MLflow

Instrucțiuni pentru exercițiu

Folosește varianta pyfunc din MLflow pentru a înregistra modelul personalizat.
Setează argumentul python_model al lui pyfunc pentru a utiliza clasa personalizată CustomPredict().
Încarcă modelul personalizat folosind pyfunc.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Log the pyfunc model 
____.____.____(
	artifact_path="lr_pyfunc", 
    # Set model to use CustomPredict Class
	python_model=____, 
	artifacts={"lr_model": "lr_model"}
)

run = mlflow.last_active_run()
run_id = run.info.run_id

# Load the model in python_function format
loaded_model = ____.____.____(f"runs:/{run_id}/lr_pyfunc")

Editează și rulează codul

Acest exercițiu face parte din cursul

Introducere în MLflow

SkillTag.level.advancedSkillTag.label

4.8+

Începe cursul gratuit

În acest capitol, vei face cunoștință cu MLflow și vei descoperi cum abordează unele dintre dificultățile ciclului de viață al aplicațiilor de Machine Learning. Vei fi introdus în cele patru concepte principale ale MLflow, cu accent pe MLflow Tracking. Vei învăța să creezi experimente și rulări, precum și cum să urmărești metrici, parametri și artefacte. În final, vei interoga MLflow programatic pentru a găsi rulări de experimente care îndeplinesc anumite criterii.

Exercise 1: Ce este MLflow?Exercise 2: Componentele MLflow Exercise 3: Experimente MLflow Exercise 4: MLflow Tracking Exercise 5: Pornirea unui run Exercise 6: Înregistrarea unui run Exercise 7: Cum se recuperează datele unei rulări active?Exercise 8: Interogarea rulărilor Exercise 9: Opțiuni de interogare pentru căutarea rulărilor Exercise 10: Căutarea rulărilor

În acest capitol, vei face cunoștință cu Modelele MLflow. Componenta MLflow Models joacă un rol esențial în etapele de evaluare și inginerie a modelelor din ciclul de viață al Machine Learning. Vei învăța cum MLflow Models standardizează ambalarea modelelor ML, precum și cum să le salvezi, să le înregistrezi și să le încarci. Vei descoperi cum să creezi modele MLflow personalizate pentru mai multă flexibilitate, cum să evaluezi performanța modelelor, cum să folosești conceptul puternic al „Flavors" și, în final, cum să implementezi modele cu ajutorul instrumentului de linie de comandă MLflow.

Exercise 1: Introducere în MLflow Models Exercise 2: Împachetează un model de învățare automată Exercise 3: Formatul de stocare Exercise 4: Ce conține un fișier MLmodel?Exercise 5: API-ul modelului Exercise 6: Salvarea și încărcarea unui model Exercise 7: Înregistrarea și încărcarea unui model Exercise 8: Modele personalizate Exercise 9: Crearea unei clase Python personalizate Exercise 10: Model scikit-learn personalizat

Exercițiul curent

Exercise 11: Flavor-ul scikit-learn și evaluarea modelului Exercise 12: Servirea modelelor Exercise 13: Servirea unui model Exercise 14: Scorare dintr-un model servit

Acest capitol introduce conceptul de Registru de modele din MLflow. Vei afla cum este utilizat Registrul de modele pentru a gestiona ciclul de viață al modelelor ML. Vei învăța să creezi modele și să le cauți în Registrul de modele, să înregistrezi modele și să le tranziționezi între etape predefinite. În final, vei învăța și cum să implementezi modele direct din Registrul de modele.

Exercise 1: Introducere în MLflow Model Registry Exercise 2: Creează un model Exercise 3: Căutarea modelelor Exercise 4: Înregistrarea modelelor Exercise 5: Înregistrarea modelelor existente Exercise 6: Înregistrarea de modele noi Exercise 7: Etapele modelului Exercise 8: Etapele modelelor în Model Registry Exercise 9: Tranziționarea etapelor modelului Exercise 10: Implementarea modelelor Exercise 11: Servirea modelelor din Model Registry Exercise 12: Încărcarea modelelor din Model Registry

În acest capitol, vei dobândi cunoștințe valoroase despre cum să îți structurezi codul de știința datelor pentru reutilizare și reproductibilitate, folosind Proiectele MLflow. Capitolul începe prin introducerea conceptului de Proiecte MLflow și te ghidează prin crearea unui fișier MLproject. Vei învăța cum să rulezi Proiecte MLflow atât din linia de comandă, cât și prin modulul MLflow Projects, și vei descoperi puterea parametrilor pentru mai multă flexibilitate în cod. În final, vei vedea cum să gestionezi etapele ciclului de viață al unui proiect de Machine Learning prin crearea unui flux de lucru cu mai mulți pași, folosind Proiectele MLflow.

Exercise 1: Introducere în MLflow Projects Exercise 2: Structura unui fișier MLproject Exercise 3: Crearea unui MLproject Exercise 4: Rularea proiectelor MLflow Exercise 5: Comanda mlflow run Exercise 6: Modulul mlflow projects Exercise 7: Specificarea parametrilor Exercise 8: Adăugarea parametrilor în MLproject Exercise 9: Adăugarea parametrilor la rularea unui proiect Exercise 10: Fluxuri de lucru Exercise 11: Crearea unui MLproject pentru ciclul de viață ML: Ingineria modelului Exercise 12: Crearea unui MLproject pentru ciclul de viață ML: Evaluarea modelului Exercise 13: Crearea unui flux de lucru multi-pas: Ingineria modelului Exercise 14: Crearea unui flux de lucru cu mai mulți pași: Evaluarea modelului Exercise 15: Recapitulare