CommencerCommencer gratuitement

Saveur et évaluation de Scikit-learn

Dans cet exercice, vous entraînerez un modèle de classification et évaluerez ses performances. Le modèle utilise votre ensemble de données Insurance Charges pour classer les frais selon qu'il s'agit d'une femme ou d'un homme.

Nous commencerons par enregistrer notre modèle dans le cursus MLflow en utilisant la saveur scikit-learn et nous terminerons par l'évaluation de votre modèle à l'aide d'un jeu de données eval_data.

Votre ensemble de données d'évaluation est créé sous le nom eval_data et notre modèle est entraîné avec le nom lr_class. Le site eval_data se compose de X_test et y_test, car les données d'apprentissage ont été divisées à l'aide de la fonction train_test_split() de sklearn.

# Model
lr_class = LogisticRegression()
lr_class.fit(X_train, y_train)

Le module mlflow est importé.

Cet exercice fait partie du cours

Introduction à MLflow

Afficher le cours

Instructions

  • Enregistrez le modèle lr_class en utilisant la saveur "intégrée" de scikit-learn.
  • Appelez la fonction evaluate() à partir du module mlflow.
  • Évaluez l'ensemble de données eval_data et ciblez la colonne "sex".

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Eval Data
eval_data = X_test
eval_data["sex"] = y_test
# Log the lr_class model using Scikit-Learn Flavor
___.___.___(____, "model")

# Get run id
run = mlflow.last_active_run()
run_id = run.info.run_id

# Evaluate the logged model with eval_data data
___.___(f"runs:/{run_id}/model", 
        ____=____, 
        ____="____",
        model_type="classifier"
)
Modifier et exécuter le code