Kom igångKom igång gratis

Scikit-learn-flavor och utvärdering

I den här övningen tränar du en klassificeringsmodell och utvärderar dess prestanda. Modellen använder datamängden Insurance Charges för att klassificera om kostnaderna gäller en kvinna eller en man.

Vi börjar med att logga modellen till MLflow Tracking med scikit-learn-flavor och avslutar med att utvärdera modellen med hjälp av en eval_data-datamängd.

Din utvärderingsdatamängd skapas som eval_data och modellen tränas under namnet lr_class. eval_data består av X_test och y_test, eftersom träningsdatan delades med funktionen train_test_split() från sklearn.

# Model
lr_class = LogisticRegression()
lr_class.fit(X_train, y_train)

Modulen mlflow är importerad.

Den här övningen är en del av kursen

Introduktion till MLflow

Visa kurs

Övningsinstruktioner

  • Logga modellen lr_class med scikit-learns inbyggda flavor.
  • Anropa funktionen evaluate() från modulen mlflow.
  • Utvärdera datamängden eval_data och ange "sex"-kolumnen som mål.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Eval Data
eval_data = X_test
eval_data["sex"] = y_test
# Log the lr_class model using Scikit-Learn Flavor
___.___.___(____, "model")

# Get run id
run = mlflow.last_active_run()
run_id = run.info.run_id

# Evaluate the logged model with eval_data data
___.___(f"runs:/{run_id}/model", 
        ____=____, 
        ____="____",
        model_type="classifier"
)
Redigera och kör kod