Création d'une exécution d'expérience dans un bloc-notes avec un exemple de code (aperçu)

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

1. Accédez à votre bloc-notes où vous souhaitez créer une exécution pour une expérience.
2. Cliquez sur l'onglet Experiments.
3. Cliquez sur Exemple de code.
4. Dans l'exemple de bloc de code, remplacer experiment name="Customer Churn Prediction" par experiment name="<your_experiment_name>". Vous pouvez également copier ce code et le modifier avec le nom de votre 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 journaux automatiques enregistrent automatiquement un ensemble de mesures par défaut, en fonction du modèle sélectionné. Pour indiquer manuellement vos propres mesures, vous pouvez modifier ce code afin d'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 bloc-notes. L'exécution est maintenant enregistrée dans l'expérience spécifiée.

   Remarques :

   Plusieurs exécutions d'une expérience sont automatiquement consignées sous 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 de ceux de l'expérience spécifiée.