НачатьНачать бесплатно

Создание многошагового рабочего процесса: разработка модели

Модуль MLflow Projects можно использовать для запуска многошагового рабочего процесса. Все шаги координируются через единую программу на Python, которая передаёт результаты предыдущих шагов к следующим.

В этом упражнении вы начнёте создавать многошаговый рабочий процесс для управления шагами разработки модели и оценки модели в жизненном цикле машинного обучения. Вы используете метод run() из модуля MLflow Projects для точки входа model_engineering и передадите параметры, которые будут применяться как гиперпараметры при обучении модели. Также вы сохраните значение run_id в переменную, чтобы в дальнейшем передать его на шаг model_evaluation рабочего процесса в качестве параметра.

Файл MLproject, созданный на предыдущем шаге, доступен в оболочке IPython через print(MLproject). Модуль MLflow уже импортирован.

Это упражнение является частью курса

Введение в MLflow

Посмотреть курс

Инструкции к упражнению

  • Присвойте результат вызова метода run() из модуля MLflow Projects переменной с именем model_engineering.
  • Задайте аргумент точки входа равным "model_engineering".
  • Укажите параметры для обучения модели: "n_jobs" — значение 2, "fit_intercept" — значение False.
  • Присвойте атрибут run_id объекта model_engineering переменной с именем model_engineering_run_id.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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)
Редактировать и запускать код