Executar experiências com MLflow

Concluído

Os experimentos MLflow permitem que cientistas de dados rastreiem execuções de treinamento em uma coleção chamada experimento. As execuções experimentais são úteis para comparar mudanças ao longo do tempo ou comparar o desempenho relativo de modelos com diferentes valores de hiperparâmetros.

Executando um experimento

A criação de um experimento no Azure Databricks acontece automaticamente quando você inicia uma execução. Aqui está um exemplo de como iniciar uma execução no MLflow, registrar dois parâmetros e registrar uma métrica:

with mlflow.start_run():
    mlflow.log_param("input1", input1)
    mlflow.log_param("input2", input2)
    # Perform operations here like model training.
    mlflow.log_metric("rmse", rmse)

Neste caso, o nome da experiência é o nome do caderno. É possível exportar uma variável chamada MLFLOW_EXPERIMENT_NAME para alterar o nome do experimento, caso você escolha.

Rever uma execução de experiência

No portal do Azure Databricks, a página Experimentos permite exibir detalhes de cada experimento executado, incluindo valores registrados para parâmetros, métricas e outros artefatos.