Modeli kaydetme
Son adım, eğitilmiş modeli MLflow kullanarak kaydetmek ve günlüğe (log) almaktır. Bu sayede modellerini üretime alma için izleyebilir ve sürümleyebilirsin.
datetime, mlflow, mlforecast.flavor paketleri ve eğitilmiş mlf modeli senin için önceden yüklendi.
Bu egzersiz, kursun bir parçasıdır
Üretim için Tahmin (Forecasting) Hatları Tasarlama
Egzersiz talimatları
run_timedeğişkeninde oluşturulan mevcut zaman damgasını kullanarakrun_name'i ayarla.- Belirtilen deney (experiment) kimliğiyle bir çalışma başlatmak için
mlflow.start_run()kullan. - Modeli doğru yöntemle günlüğe (log) al.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
experiment_name = "ml_forecast"
try:
mlflow.create_experiment(name=experiment_name)
meta = mlflow.get_experiment_by_name(experiment_name)
print(f"Setting a new experiment {experiment_name}")
except:
print(f"Experiment {experiment_name} exists, pulling the metadata")
meta = mlflow.get_experiment_by_name(experiment_name)
# Setup the run name and time
run_time = datetime.datetime.now().strftime("%Y-%m-%d %H-%M-%S")
run_name = f"lightGBM6_{____}"
# Start the run
with mlflow.____(experiment_id=meta.experiment_id, run_name=run_name) as run:
# Log the model
mlforecast.flavor.____(model=mlf, artifact_path="prod_model")
print(f"MLflow Run created - Name: {run_name}, ID: {run.info.run_id}")