Logga experiment i MLflow

End-to-End Machine Learning

Joshua Stapleton

Machine Learning Engineer

MLflow

Utan MLflow...

Många ospårade, oorganiserade experimentkörningar
Olika, icke-jämförbara körningar
Icke-reproducerbara, förlorade körningar

Med MLflow...

Spårade, organiserade experimentkörningar
Jämförelse mellan standardiserade körningar
Reproducerbara körningar
Dela och driftsätta modeller

Skapa experiment

mlflow.set_experiment()

Anger experimentnamn
Skapar en arbetsyta för experimentkörningar

Användning:

import mlflow

# Set an experiment name, which is a workspace for your runs
mlflow.set_experiment("Heart Disease Classification")

Köra experiment

# Start a new run in this experiment
with mlflow.start_run():
    # Train a model, get the prediction accuracy
    logistic_model = LogisticRegression()

    # Log parameters, eg:
    mlflow.log_param("n_estimators", logistic_model.n_estimators)

    # Log metrics (accuracy in this case)
    mlflow.log_metric("accuracy", logistic_model.accuracy)

    # Print out metrics
    print("Model accuracy: %.3f" % accuracy)

Model accuracy: 0.96

Hämta experiment

mlflow.get_run(run_id)

Metadata för en specifik körning

mlflow.search_runs()

Returnerar en DataFrame med mätvärden för flera körningar

Användning:

# Fetch the run data and print params
run_data = mlflow.get_run(run_id)
print(run_data.data.params)
print(run_data.data.metrics)

# Search all runs in experiment
exp_id = run_data.info.experiment_id
runs_df = mlflow.search_runs(exp_id)

{'epochs': '20', 'accuracy': 0.95}

MLflow UI

MLflow-experimentdashboard

Exempelsida för MLflow-experiment

MLflow UI (forts.)

Exempelgraf som visar förbättrat mätvärde

Exempeljämförelse av mätvärden mellan körningar

MLflow-resurser

Introduktion till MLflow

MLflows officiella webbplats

Nu kör vi en övning!

End-to-End Machine Learning