Köra experiment med MLflow
MLflow-experiment gör det möjligt för dataforskare att spåra träningskörningar i en samling som kallas ett experiment. Experimentkörningar är användbara för att jämföra ändringar över tid eller jämföra modellernas relativa prestanda med olika hyperparametervärden.
Köra ett experiment
Att skapa ett experiment i Azure Databricks sker automatiskt när du startar en körning. Här är ett exempel på hur du startar en körning i MLflow, loggar två parametrar och loggar ett mått:
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)
I det här fallet är experimentets namn namnet på anteckningsboken. Du kan exportera en variabel med namnet MLFLOW_EXPERIMENT_NAME för att ändra namnet på experimentet om du vill.
Granska en experimentkörning
På Azure Databricks-portalen kan du på sidan Experiment visa information om varje experimentkörning, inklusive loggade värden för parametrar, mått och andra artefakter.
