Experimentlauf in einem Notizbuch mit Beispielcode erstellen (Vorschau)

Sie können Ausführungen für ein Experiment in einem Notizbuch erstellen, indem Sie Beispielcode mit vorhandenen Experimentdetails ändern.

1. Navigieren Sie zu Ihrem Notizbuch, in dem Sie eine Ausführung für ein Experiment erstellen möchten.
2. Klicken Sie auf die Registerkarte Experimente.
3. Klicken Sie auf Beispielcode.
4. Ersetzen Sie im Beispielcodeblock experiment name="Customer Churn Prediction" durch experiment name="<your_experiment_name>". Sie können diesen Code auch kopieren und unter Ihrem Experimentnamen ändern:

   import mlflow 
   experiment_name = "experiment name" #Replace this with your own experiment name 
   mlflow.set_experiment(experiment_name) 
   
   mlflow.autolog() 
   
   with mlflow.start_run(): 
       # training code goes here 
       # OPTIONAL - Log additional items after training 
       mlflow.log_metric("custom_metric", 99.9) 

5. Autologs zeichnen automatisch ein Standardset von Metriken auf, je nach ausgewähltem Modell. Um Ihre eigenen Metriken manuell anzugeben, können Sie diesen Code ändern, um mlflow.log_metric(“<metric_name>”,<metric_variable>) aufzurufen:

   import mlflow 
   import numpy as np 
   from sklearn.tree import DecisionTreeRegressor 
   from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score 
   
   experiment_name = "Customer Churn Prediction" 
   mlflow.set_experiment(experiment_name) 
   
   mlflow.autolog() 
   
   with mlflow.start_run(): 
       # training code goes here 
       model = DecisionTreeRegressor(random_state=42, max_depth=5) 
       model.fit(X_train, y_train) 
   
       preds = model.predict(X_test) 
   
       mse = mean_squared_error(y_test, preds) 
       rmse = float(np.sqrt(mse)) 
   
       mlflow.log_metric("test_rmse", rmse) 
       mlflow.log_metric("test_mae", float(mean_absolute_error(y_test, preds))) 
       mlflow.log_metric("test_r2", float(r2_score(y_test, preds))) 
       # OPTIONAL - Log additional items after training 
       mlflow.log_metric("custom_metric", 99.9) 

6. Führen Sie den Codeblock in Ihrem Notizbuch aus. Die Ausführung ist jetzt für das angegebene Experiment registriert.

   Hinweis:

   Mehrere Ausführungen für ein Experiment werden automatisch mit unterschiedlichen Namen protokolliert. Bei Parameter-Sweep-Szenarios erfasst AI Data Platform Workbench automatisch alle Ausführungen und angegebenen Metriken mit unterschiedlichen Namen für das angegebene Experiment.