샘플 코드가 있는 노트북에서 실험 실행 생성(미리보기)

기존 실험 세부정보로 샘플 코드를 수정하여 노트북 내에서 실험에 대한 실행을 생성할 수 있습니다.

1. 실험 실행을 생성할 노트북으로 이동합니다.
2. 실험 탭을 누릅니다.
3. 샘플 코드를 누릅니다.
4. 샘플 코드 블록에서 experiment name="Customer Churn Prediction"를 experiment name="<your_experiment_name>"로 바꿉니다. 이 코드를 복사하여 실험 이름으로 수정할 수도 있습니다.

   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. 자동차는 선택한 모델에 따라 기본 척도 세트를 자동으로 기록합니다. 고유 측정항목을 수동으로 지정하려면 이 코드를 수정하여 mlflow.log_metric(“<metric_name>”,<metric_variable>)를 호출할 수 있습니다.

   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. 노트북에서 코드 블록을 실행합니다. 이제 지정된 실험에 실행이 등록되었습니다.

   주:

   한 실험에 대한 여러 실행은 다른 이름으로 자동으로 기록됩니다. 매개변수 스윕 시나리오의 경우 AI 데이터 플랫폼 워크벤치는 지정된 실험과 다른 이름의 모든 실행 및 지정된 측정항목을 자동으로 캡처합니다.