儲存與載入模型
透過 Model API，你可以用本機檔案系統在不同開發者之間分享模型，即使他們無法存取同一個 MLflow Tracking 伺服器。
在這個練習中，你會使用 Unicorn 資料集，從既有的模型訓練一個新的 LinearRegression 模型。你會先從本機檔案系統載入一個現有模型，接著以此為基礎訓練新模型，並再把它儲存回本機檔案系統。
現有模型已儲存在名為 "lr_local_v1" 的本機目錄中。mlflow 模組會被匯入。
本練習屬於課程
MLflow 入門
練習說明
- 使用 MLflow 模組中的 scikit-learn 函式庫，從本機檔案系統目錄
"lr_local_v1"載入模型。 - 使用
mlflow模組中的 scikit-learn 函式庫，將模型儲存到名為"lr_local_v2"的本機目錄。
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。
# Load model from local filesystem
model = ____.____.____("____")
# Training Data
X = df[["R&D Spend", "Administration", "Marketing Spend", "State"]]
y = df[["Profit"]]
X_train, X_test, y_train, y_test = train_test_split(X, y, train_size=0.7,random_state=0)
# Train Model
model.fit(X_train, y_train)
# Save model to local filesystem
____.____.____(____, "____")