记录并加载模型
Model API 提供了一种标准化方式，直接从 MLflow Tracking 记录与加载模型，从而与模型进行交互。在机器学习生命周期中，能够与模型交互对模型工程与模型评估阶段至关重要。
在本练习中，您将使用 Unicorn 数据集在 scikit-learn 中创建一个线性回归模型。该模型会被记录到 MLflow Tracking 中，随后再通过用于记录制品的 run_id 将其加载回来。
首先，您将使用 MLflow 模块里的 scikit-learn 库记录模型。然后，您将使用该 run_id 从 MLflow Tracking 加载模型。
模型会被训练并命名为 lr_model。
lr_model = LinearRegression()
lr_model.fit(X_train, y_train)
mlflow 模块已被导入。
本练习是课程的一部分
MLflow 入门
练习说明
- 将模型记录到 MLflow Tracking，制品路径为
"lr_tracking"。 - 创建名为
run的变量，并将其设为最后一次运行。 - 创建名为
run_id的变量，并将其设为run变量的run_id。 - 使用该
run_id和用于记录模型的制品路径加载模型。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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:/{____}/____")