使用示例代码在记事本中创建实验运行（预览）

通过使用现有实验详细信息修改示例代码，可以为记事本中的实验创建运行。

1. 导航到要为实验创建运行的记事本。
2. 单击实验选项卡。
3. 单击示例代码。
4. 在代码块样例中，将 experiment name="Customer Churn Prediction" 替换为 experiment name="<your_experiment_name>"。您还可以复制此代码并使用您的实验名称进行修改：

   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. 自动日志自动记录一组默认度量，具体取决于所选模型。要手动指定您自己的度量，可以修改此代码以调用 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. 从记事本中运行代码块。运行现在已注册到指定的实验。

   注意：

   实验的多个运行会自动记录不同的名称。对于参数扫描方案，AI Data Platform Workbench 会自动捕获与指定实验名称不同的所有运行和指定度量。