Добавление параметров в MLproject
Определение параметров в MLflow Projects делает ваш код машинного обучения воспроизводимым. Параметры также упрощают запуск экспериментов по обучению с разными настройками — без необходимости изменять сам код.
В этом упражнении вы добавите параметры в файл MLproject для основной точки входа. Эта точка входа используется для запуска скрипта train_model.py, который обучает модель логистической регрессии на страховых данных.
Скрипт принимает два параметра — n_jobs и fit_intercept — гиперпараметры, используемые при обучении модели. Сначала вы добавите параметр n_jobs в файл MLproject, затем — параметр fit_intercept. В завершение вы передадите оба параметра в команду, выполняемую в основной точке входа.
Это упражнение является частью курса
Введение в MLflow
Инструкции к упражнению
- Создайте параметр
n_jobsтипаintсо значением по умолчанию1. - Создайте второй параметр
fit_interceptтипаboolсо значением по умолчаниюTrue. - Передайте оба параметра в команду, указав сначала
n_jobs, а затемfit_intercept.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
"""
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 {____} {____}"
"""