Scikit-learn 風味與評估
在這個練習中，你會訓練一個分類模型並評估其效能。模型會使用你的 Insurance Charges 資料集來分類費用是屬於女性還是男性。
我們會先用 scikit-learn 的風味（flavor）把模型記錄到 MLflow Tracking，最後再使用 eval_data 資料集來評估你的模型。
你的評估資料集已建立為 eval_data，而訓練好的模型命名為 lr_class。eval_data 包含 X_test 和 y_test，因為訓練資料是使用 sklearn 的 train_test_split() 函式進行切分的。
# Model
lr_class = LogisticRegression()
lr_class.fit(X_train, y_train)
已匯入 mlflow 模組。
本練習屬於課程
MLflow 入門
練習說明
- 使用 scikit-learn「內建」風味記錄
lr_class模型。 - 呼叫
mlflow模組的evaluate()函式。 - 以
eval_data資料集進行評估，並將目標欄位設為"sex"。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Eval Data
eval_data = X_test
eval_data["sex"] = y_test
# Log the lr_class model using Scikit-Learn Flavor
___.___.___(____, "model")
# Get run id
run = mlflow.last_active_run()
run_id = run.info.run_id
# Evaluate the logged model with eval_data data
___.___(f"runs:/{run_id}/model",
____=____,
____="____",
model_type="classifier"
)