ПочатиПочніть безкоштовно

Створення багатокрокового робочого процесу: інженерія моделі

Модуль MLflow Projects можна використовувати для запуску багатокрокового робочого процесу. Усі кроки можна узгодити з одного Python‑скрипту, який передає результати з попередніх кроків до наступних.

У цій вправі ви почнете створювати багатокроковий робочий процес, щоб керувати етапами інженерії моделі та оцінювання моделі в життєвому циклі ML. Ви використаєте метод run() з модуля MLflow Projects для точки входу model_engineering і передасте параметри, що використовуються як гіперпараметри для тренування моделі. Ви також збережете значення run_id у змінній, щоб передати його як параметр до кроку model_evaluation у робочому процесі.

MLproject, створений на попередньому кроці, доступний в IPython Shell через print(MLproject). Модуль MLflow імпортовано.

Ця вправа є частиною курсу

Вступ до MLflow

Переглянути курс

Інструкції до вправи

  • Присвойте метод run() із модуля MLflow Projects змінній з назвою model_engineering.
  • Встановіть аргумент точки входу на "model_engineering".
  • Задайте параметри для тренування моделі: "n_jobs" — 2 і "fit_intercept" — False.
  • Присвойте атрибут run_id об'єкта model_engineering змінній model_engineering_run_id.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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)
Редагувати та запускати код