НачатьНачать бесплатно

Логирование и загрузка модели

Model API предоставляет возможность работать с моделями: логировать и загружать их непосредственно из MLflow Tracking в стандартизированном формате. Взаимодействие с моделями играет ключевую роль в жизненном цикле ML — в особенности на этапах разработки и оценки моделей.

В этом упражнении вы создадите модель линейной регрессии из scikit-learn на основе набора данных Unicorn. Модель будет залогирована в MLflow Tracking, а затем загружена с использованием run_id, применённого при логировании артефакта.

Сначала вы залогируете модель с помощью библиотеки scikit-learn из модуля MLflow. Затем загрузите модель из MLflow Tracking, используя run_id.

Модель будет обучена и получит имя lr_model.

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

Модуль mlflow уже импортирован.

Это упражнение является частью курса

Введение в MLflow

Посмотреть курс

Инструкции к упражнению

  • Залогируйте модель в MLflow Tracking, указав путь к артефакту "lr_tracking".
  • Создайте переменную run и присвойте ей значение последнего запуска.
  • Создайте переменную run_id и присвойте ей run_id из переменной run.
  • Загрузите модель, используя run_id и путь к артефакту, указанный при логировании модели.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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:/{____}/____")
Редактировать и запускать код