BaşlayınÜcretsiz Başlayın

Bir modeli loglama ve yükleme

Model API, modellerimizle standart bir şekilde etkileşime geçmemizi sağlar; modelleri MLflow Tracking üzerinden doğrudan loglayıp yükleyebiliriz. Modellerle etkileşim kurabilmek, ML yaşam döngüsünde Model Engineering ve Model Evaluation adımları için kritik öneme sahiptir.

Bu egzersizde Unicorn veri kümesini kullanarak scikit-learn ile bir Doğrusal Regresyon (Linear Regression) modeli oluşturacaksın. Bu model MLflow Tracking'e loglanacak ve ardından yapıtı loglamak için kullanılan run_id ile yüklenecek.

Önce modeli MLflow modülündeki scikit-learn kitaplığını kullanarak loglayacaksın. Ardından modeli MLflow Tracking'den run_id kullanarak yükleyeceksin.

Model eğitilecek ve adı lr_model olacak.

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

mlflow modülü içe aktarılmış olacak.

Bu egzersiz

MLflow’a Giriş

kursunun bir parçasıdır
Kursu Görüntüle

Egzersiz talimatları

  • Modeli MLflow Tracking'e "lr_tracking" yapıt yolu (artifact path) altında logla.
  • run adında, son çalışmayı (last run) tutan bir değişken oluştur.
  • run değişkeninin run_id değerini atadığın run_id adlı başka bir değişken oluştur.
  • Modeli, modeli loglarken kullandığın yapıt yoluyla birlikte run_id kullanarak yükle.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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:/{____}/____")
Kodu Düzenle ve Çalıştır