保存与加载模型
借助 Model API，模型可以通过本地文件系统在不同开发者之间共享，即使他们无法访问同一个 MLflow Tracking 服务器。
在本练习中，您将使用 Unicorn 数据集，从一个已存在的模型出发训练一个新的 LinearRegression 模型。您将先从本地文件系统加载已存在的模型。然后基于该模型训练一个新模型，并将其再次保存到本地文件系统。
现有模型已保存到名为 "lr_local_v1" 的本地目录中。mlflow 模块已被导入。
本练习是课程的一部分
MLflow 入门
练习说明
- 使用 MLflow 模块中的 scikit-learn 库，从本地文件系统目录
"lr_local_v1"加载模型。 - 使用
mlflow模块中的 scikit-learn 库，将模型本地保存到名为"lr_local_v2"的目录。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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
____.____.____(____, "____")