MLFlow

PyFunc をサポートする MLflow モデルを使用できます。MLFlow モデルに署名がある場合、 signature 引数はモデルから推測されます。署名がない場合は、 signature か sample_input_data のどちらかを提供する必要があります。

以下の追加オプションは、 options ディクショナリで log_model を呼び出すときに使用できます。

オプション

説明

model_uri

MLFlow モデルのアーティファクトの URI。モデルのメタデータで model.metadata.get_model_info().model_uri として提供されていない場合は、提供する必要があります。

ignore_mlflow_metadata

True の場合、モデルのメタデータはレジストリのモデルオブジェクトにインポートされません。デフォルト: False

ignore_mlflow_dependencies

True の場合、モデルのメタデータ内の依存関係は無視されます。これは、Snowflakeウェアハウスで利用可能なパッケージを制限するために便利です。デフォルト: False

例

import mlflow
from sklearn import datasets, model_selection, ensemble

db = datasets.load_diabetes(as_frame=True)
X_train, X_test, y_train, y_test = model_selection.train_test_split(db.data, db.target)
with mlflow.start_run() as run:
    rf = ensemble.RandomForestRegressor(n_estimators=100, max_depth=6, max_features=3)
    rf.fit(X_train, y_train)

    # Use the model to make predictions on the test dataset.
    predictions = rf.predict(X_test)
    signature = mlflow.models.signature.infer_signature(X_test, predictions)
    mlflow.sklearn.log_model(
        rf,
        "model",
        signature=signature,
    )
    run_id = run.info.run_id


model_ref = registry.log_model(
    mlflow.pyfunc.load_model(f"runs:/{run_id}/model"),
    model_name="mlflowModel",
    version_name="v1",
    conda_dependencies=["mlflow<=2.4.0", "scikit-learn", "scipy"],
    options={"ignore_mlflow_dependencies": True}
)
model_ref.run(X_test)
Copy
言語: 日本語