MLFlow¶

Você pode usar os modelos MLflow que suportam PyFunc. Se o seu modelo MLFlow tiver uma assinatura, o argumento signature será inferido do modelo. Caso contrário, você deverá fornecer signature ou sample_input_data.

As seguintes opções adicionais podem ser usadas no dicionário options quando você chamar log_model:


Opção	Descrição
`model_uri`	O URI dos artefatos do modelo MLFlow. Deve ser fornecido se não estiver disponível nos metadados do modelo como `model.metadata.get_model_info().model_uri`.
`ignore_mlflow_metadata`	Se `True`, os metadados do modelo não serão importados para o objeto de modelo no registro. Padrão: `False`
`ignore_mlflow_dependencies`	Se `True`, as dependências nos metadados do modelo serão ignoradas, o que é útil devido às limitações disponíveis do pacote nos warehouses do Snowflake. Padrão: `False`

Exemplo¶

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)