BaşlayınÜcretsiz Başlayın

MLproject dosyasına parametre ekleme

MLflow Projects içinde parametre tanımlamak, ML kodunu yeniden üretilebilir hale getirmeni sağlar. Parametreler ayrıca kodu değiştirmeden farklı ayarlarla eğitim deneyleri çalıştırmayı kolaylaştırır.

Bu egzersizde, ana giriş noktası için MLproject dosyana parametreler ekleyeceksin. Bu giriş noktası, Insurance verisinden bir Logistic Regression modeli eğiten train_model.py betiğini çalıştırmak için kullanılır.

Betik iki parametre kabul eder: modeli eğitmek için kullanılan hiperparametreler olan n_jobs ve fit_intercept. Önce MLproject dosyasında n_jobs parametresini ekleyerek başlayacaksın. Ardından fit_intercept parametresini ekleyeceksin. Son olarak, bu parametreleri ana giriş noktasında yürütülen komuta ekleyeceksin.

Bu egzersiz

MLflow’a Giriş

kursunun bir parçasıdır
Kursu Görüntüle

Egzersiz talimatları

  • int türünde ve varsayılan değeri 1 olan n_jobs adlı bir parametre oluştur.
  • bool türünde ve varsayılan değeri True olan fit_intercept adlı ikinci bir parametre oluştur.
  • Her iki parametreyi de komuta aktar; sırada önce n_jobs, ardından fit_intercept olsun.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

"""
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 {____} {____}"
"""
Kodu Düzenle ve Çalıştır