サンプル・コードを使用したノートブックでの実験実行の作成(プレビュー)

既存の実験の詳細を使用してサンプルコードを変更することによって、ノートブック内の実験の実行を作成できます。

1. 実験の実行を作成するノートブックに移動します。
2. 「実験」タブをクリックします。
3. 「Sample code」をクリックします。
4. サンプル・コード・ブロックで、experiment name="Customer Churn Prediction"をexperiment name="<your_experiment_name>"に置き換えます。このコードをコピーして、実験名で変更することもできます。

   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. 自動ログでは、選択したモデルに応じて、デフォルトのメトリック・セットが自動的に記録されます。独自のメトリックを手動で指定するには、次のコードを変更してmlflow.log_metric(“<metric_name>”,<metric_variable>)を起動します。

   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. ノートブックからコード・ブロックを実行します。これで、実行は指定された実験に登録されました。

   ノート:

   1つの実験に対する複数の実行は、異なる名前で自動的に記録されます。パラメータ・スイープ・シナリオの場合、AIデータ・プラットフォーム・ワークベンチは、指定された実験に対して異なる名前のすべての実行および指定されたメトリックを自動的に取得します。