Kom igångKom igång gratis

Logga och ladda en modell

Model API ger ett standardiserat sätt att interagera med modeller – du kan logga och ladda dem direkt från MLflow Tracking. Den här förmågan är central under ML-livscykeln, särskilt i stegen för modellutveckling och modellutvärdering.

I den här övningen skapar du en linjär regressionsmodell med scikit-learn och Unicorn-datamängden. Modellen loggas till MLflow Tracking och laddas sedan med det run_id som användes för att logga artefakten.

Först loggar du modellen med scikit-learn-biblioteket från MLflow-modulen. Sedan laddar du modellen från MLflow Tracking med hjälp av run_id.

Modellen tränas och ges namnet lr_model.

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

Modulen mlflow kommer att vara importerad.

Den här övningen är en del av kursen

Introduktion till MLflow

Visa kurs

Övningsinstruktioner

  • Logga modellen till MLflow Tracking under artefaktsökvägen "lr_tracking".
  • Skapa en variabel kallad run som sätts till den senaste körningen.
  • Skapa ytterligare en variabel kallad run_id som sätts till run_id för variabeln run.
  • Ladda modellen med run_id och den artefaktsökväg som användes för att logga modellen.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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:/{____}/____")
Redigera och kör kod