Créer une exécution d'expérience dans un carnet avec un exemple de code (Prévisualisation)

Vous pouvez créer des exécutions pour une expérience dans un carnet en modifiant un exemple de code avec des détails d'expérience existants.

1. Naviguez jusqu'à votre carnet où vous souhaitez créer une exécution pour une expérience.
2. Cliquez sur l'onglet Exemples.
3. Cliquez sur Exemple de code.
4. Dans l'exemple de bloc de code, remplacez experiment name="Customer Churn Prediction" par experiment name="<your_experiment_name>". Vous pouvez également copier ce code et le modifier avec votre nom d'expérience :

   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. Les enregistreurs automatiques enregistrent automatiquement un jeu de mesures par défaut, selon le modèle sélectionné. Pour spécifier manuellement vos propres mesures, vous pouvez modifier ce code pour appeler 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. Exécutez le bloc de code à partir de votre carnet. L'exécution est maintenant enregistrée pour l'expérience spécifiée.

   Note :

   Plusieurs exécutions pour une expérience sont automatiquement enregistrées avec des noms différents. Pour les scénarios de balayage de paramètres, AI Data Platform Workbench capture automatiquement toutes les exécutions et les mesures spécifiées avec des noms différents pour l'expérience spécifiée.