Creación de una ejecución de experimento en un bloc de notas con código de ejemplo (vista previa)

Puede crear ejecuciones para un experimento en un bloc de notas modificando el código de ejemplo con los detalles del experimento existente.

1. Vaya a su bloc de notas, donde desea crear una ejecución para un experimento.
2. Haga clic en el separador Experimentos.
3. Haga clic en Código de ejemplo.
4. En el bloque de código de ejemplo, sustituya experiment name="Customer Churn Prediction" por experiment name="<your_experiment_name>". También puede copiar este código y modificarlo con el nombre del experimento:

   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. Los registros automáticos registran automáticamente un juego predeterminado de métricas, según el modelo seleccionado. Para especificar manualmente sus propias métricas, puede modificar este código para llamar a mlflow.log_metric(“<metric_name>”,<metric_variable>):

   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. Ejecute el bloque de código desde el bloc de notas. La ejecución se ha registrado en el experimento especificado.

   Note:

   Varias ejecuciones para un experimento se registran automáticamente con nombres diferentes. En los escenarios de transferencia automática de parámetros, AI Data Platform Workbench captura automáticamente todas las ejecuciones y métricas especificadas con nombres diferentes al experimento especificado.