...
Una vez creado el Notebook, se procederá a configuración.
| Info | ||||
|---|---|---|---|---|
A continuación se va a crear, paso a paso, los párrafos necesarios para ejecutar el experimento. Disponemos a continuación del Notebook completo para su importación, en caso de que no se quiera tener que estar agregando párrafo a párrafo:
|
Paso 4.- Configurar el Notebook
...
Si todo va correctamente, el resultado será como el siguiente:
...
[ACTUALIZANDO]
También podemos importar este archivo que contiene el cuaderno completo para este ejemplo (sólo tienes que establecer el parámetro token).
| View file | ||
|---|---|---|
|
...
Paso 6.- Registrar los datos de entrenamiento y del modelo en MLFlow
Este es el código estándar para el seguimiento de un experimento en MLFlow. Incluye todo dentro de “with mlflow.start_run()“ para iniciar un nuevo experimento.
...
Y si vas a la pestaña modelo, puedes verlo y trabajar con él.
Paso 7
...
.- Crear una función Serverless en Python que evalúe los datos contra el modelo MLFlow
Con el modelo generado anteriormente, vas a crear una función Python que, con una entrada simple o múltiple, pueda obtener una predicción usando el modelo.
...
El último paso es poner las variables de entorno para el modelo con el botón:
...
Paso 8
...
.- Evaluación del modelo
Ahora puedes probar el modelo con la API REST con Postman por ejemplo enviando un array de JSON con la entrada:
...