เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

Scikit-learn flavor และการประเมินโมเดล

ในแบบฝึกหัดนี้ คุณจะฝึกโมเดล classification และประเมินประสิทธิภาพของมัน โดยโมเดลจะใช้ชุดข้อมูล Insurance Charges เพื่อจำแนกว่าค่าใช้จ่ายนั้นเป็นของผู้หญิงหรือผู้ชาย

เราจะเริ่มต้นด้วยการบันทึกโมเดลไปยัง MLflow Tracking โดยใช้ scikit-learn flavor และจบด้วยการประเมินโมเดลโดยใช้ชุดข้อมูล eval_data

ชุดข้อมูลสำหรับการประเมินถูกสร้างไว้แล้วในชื่อ eval_data และโมเดลที่ฝึกแล้วมีชื่อว่า lr_class โดย eval_data จะประกอบด้วย X_test และ y_test ซึ่งได้มาจากการแบ่งข้อมูลด้วยฟังก์ชัน train_test_split() จาก sklearn

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

โมดูล mlflow ได้ถูก import ไว้แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

MLflow เบื้องต้น

ดูคอร์ส

คำแนะนำการฝึกหัด

  • บันทึกโมเดล lr_class โดยใช้ scikit-learn "built-in" flavor
  • เรียกใช้ฟังก์ชัน evaluate() จากโมดูล mlflow
  • ประเมินชุดข้อมูล eval_data โดยกำหนด target เป็นคอลัมน์ "sex"

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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"
)
แก้ไขและรันโค้ด