使用範例程式碼在記事本中建立實驗執行 (預覽)

您可以修改含有現有實驗詳細資訊的範例程式碼，在記事本中建立實驗的執行。

1. 瀏覽至您要為實驗建立執行的筆記本。
2. 按一下實驗頁籤。
3. 按一下範例程式。
4. 在範例程式碼區塊中，以 experiment name="<your_experiment_name>" 取代 experiment name="Customer Churn Prediction"。您也可以複製這段程式碼，並使用您的實驗名稱修改：

   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. 根據選取的模型，自動記錄一組預設的測量結果。若要手動指定自己的測量結果，您可以修改此程式碼來呼叫 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. 從您的筆記型電腦執行程式碼區塊。此執行現在已註冊至指定的實驗。

   附註：

   實驗的多次執行會自動以不同的名稱記錄。對於參數清除案例，AI Data Platform Workbench 會自動擷取指定實驗名稱不同的所有執行與指定度量。