เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การเพิ่มพารามิเตอร์ใน MLproject

การกำหนดพารามิเตอร์ใน MLflow Projects ช่วยให้โค้ด ML ของคุณสามารถนำไปใช้ซ้ำได้และตรวจสอบผลได้อย่างสม่ำเสมอ นอกจากนี้ พารามิเตอร์ยังช่วยให้รันการทดลอง training ด้วยการตั้งค่าที่แตกต่างกันได้โดยไม่ต้องแก้ไขโค้ด

ในแบบฝึกหัดนี้ คุณจะเพิ่มพารามิเตอร์ลงในไฟล์ MLproject สำหรับ main entry point ซึ่ง entry point นี้ใช้รันสคริปต์ train_model.py ที่เทรนโมเดล Logistic Regression จากข้อมูลประกันภัย

สคริปต์รับพารามิเตอร์ 2 ตัว ได้แก่ n_jobs และ fit_intercept ซึ่งเป็น hyperparameter ที่ใช้ในการเทรนโมเดล โดยจะเริ่มจากการเพิ่มพารามิเตอร์ n_jobs ในไฟล์ MLproject จากนั้นเพิ่มพารามิเตอร์ fit_intercept และสุดท้ายส่งพารามิเตอร์ทั้งสองเข้าไปในคำสั่งที่รันใน main entry point

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

MLflow เบื้องต้น

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้างพารามิเตอร์ชื่อ n_jobs ชนิด int โดยมีค่าดีฟอลต์เป็น 1
  • สร้างพารามิเตอร์ตัวที่สองชื่อ fit_intercept ชนิด bool โดยมีค่าดีฟอลต์เป็น True
  • ส่งพารามิเตอร์ทั้งสองเข้าไปในคำสั่ง โดยให้ n_jobs อยู่ก่อน ตามด้วย fit_intercept

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

"""
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 {____} {____}"
"""
แก้ไขและรันโค้ด