BaşlayınÜcretsiz Başlayın

Çok adımlı bir iş akışı oluşturma: Model Mühendisliği

MLflow Projects modülü, çok adımlı bir iş akışını çalıştırmanın bir yolu olarak kullanılabilir. Tüm adımlar, önceki adımların sonuçlarını sonraki adımlara aktaracak tek bir Python programı üzerinden koordine edilebilir.

Bu egzersizde, ML yaşam döngüsünün Model Mühendisliği ve Model Değerlendirme adımlarını yönetmek için çok adımlı bir iş akışı oluşturmaya başlayacaksın. MLflow Projects modülündeki run() yöntemini model_engineering giriş noktası için kullanacak ve model eğitimi için hiperparametre olarak kullanılan parametreleri geçeceksin. Ayrıca run_id çıktısını yakalayıp bir değişkene atayacak ve bu değeri iş akışının model_evaluation adımına parametre olarak aktaracaksın.

Önceki adımda oluşturulan MLproject, IPython Shell içinde print(MLproject) komutuyla kullanılabilir. MLflow modülü içe aktarılmış durumdadır.

Bu egzersiz

MLflow’a Giriş

kursunun bir parçasıdır
Kursu Görüntüle

Egzersiz talimatları

  • MLflow Projects modülündeki run() yöntemini model_engineering adlı bir değişkene ata.
  • Giriş noktası argümanını "model_engineering" olarak ayarla.
  • Modeli eğitmek için parametreleri ayarla. "n_jobs" değerini 2 ve "fit_intercept" değerini False yap.
  • model_engineering nesnesinin run_id özniteliğini model_engineering_run_id adlı bir değişkene ata.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Set run method to model_engineering
____ = ____.____.____(
    uri='./',
    # Set entry point to model_engineering
    ____='____',
    experiment_name='Insurance',
    # Set the parameters for n_jobs and fit_intercept
    parameters={
        '____': ____, 
        '____': ____
    },
    env_manager='local'
)

# Set Run ID of model training to be passed to Model Evaluation step
____ = ____.____
print(model_engineering_run_id)
Kodu Düzenle ve Çalıştır