記錄與載入模型
Model API 提供一種標準化方式，讓你能直接從 MLflow Tracking 記錄與載入模型，以與模型互動。在機器學習生命週期中，能與模型互動對於模型工程與模型評估階段至關重要。
在本練習中，你會使用 Unicorn 資料集，透過 scikit-learn 建立一個線性迴歸（Linear Regression）模型。這個模型會被記錄到 MLflow Tracking，接著再用用來記錄該 artifact 的 run_id 將它載入回來。
首先，你會使用 MLflow 模組底下的 scikit-learn 函式庫來記錄模型。然後，你會使用 run_id 從 MLflow Tracking 載入模型。
模型將完成訓練，名稱為 lr_model。
lr_model = LinearRegression()
lr_model.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
- 將模型記錄到 MLflow Tracking，artifact 路徑設為
"lr_tracking"。 - 建立變數
run，其值設定為最後一個執行。 - 再建立變數
run_id，其值設定為變數run的run_id。 - 使用
run_id與用來記錄模型的 artifact 路徑載入模型。
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。
# Log model to MLflow Tracking
____.____.____(____, "____")
# Get the last run
run = ____.____
# Get the run_id of the above run
run_id = ____.___.____
# Load model from MLflow Tracking
model = ____.____.____(f"runs:/{____}/____")