建立多步驟工作流程：模型工程
MLflow Projects 模組可以用來執行多步驟的工作流程。你可以用一個 Python 程式來協調所有步驟，並把前一步的結果傳遞給下一步。
在這個練習中，你會開始建立一個多步驟工作流程，用來管理 ML 生命週期中的模型工程（Model Engineering）與模型評估（Model Evaluation）步驟。你會對 model_engineering 這個 entry point 使用 MLflow Projects 模組的 run() 方法，並傳入用於模型訓練的超參數。你也會擷取 run_id 的輸出並指定給一個變數，之後可作為參數傳給流程中的 model_evaluation 步驟。
你在前一步建立的 MLproject 可在 IPython Shell 中以 print(MLproject) 檢視。MLflow 模組已匯入。
本練習屬於課程
MLflow 入門
練習說明
- 將 MLflow Projects 模組的
run()方法指派給名為model_engineering的變數。 - 將 entry point 參數設為
"model_engineering"。 - 設定模型訓練的參數：將
"n_jobs"設為2，"fit_intercept"設為False。 - 將
model_engineering的run_id屬性指定給名為model_engineering_run_id的變數。
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。
# 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)