创建多步骤工作流：模型工程
MLflow Projects 模块可用于运行一个多步骤的工作流。所有步骤都可以通过一个 Python 程序进行协调，并将前一步的结果传递给下一步。
在本练习中，您将开始创建一个多步骤工作流，用于管理机器学习生命周期中的模型工程和模型评估步骤。您将使用 MLflow Projects 模块中的 run() 方法来运行 model_engineering 入口点，并传入用于模型训练的超参数。同时，您还会捕获返回的 run_id 输出并将其保存到变量中，以便作为参数传递给工作流的 model_evaluation 步骤。
前一步创建的 MLproject 已可在 IPython Shell 中使用 print(MLproject) 查看。已导入 MLflow 模块。
本练习是课程的一部分
MLflow 入门
练习说明
- 将 MLflow Projects 模块的
run()方法赋值给名为model_engineering的变量。 - 将入口点参数设置为
"model_engineering"。 - 为模型训练设置参数：将
"n_jobs"设为2，将"fit_intercept"设为False。 - 将
model_engineering的run_id属性赋值给名为model_engineering_run_id的变量。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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)