Уроки 6-9: autolog, hyperparam sweep, grid search, serving + MLproject, walkthrough

2026-07-20 15:01:31 +03:00
parent 2c07fd63c0
commit d6a4b46db0
14 changed files with 1248 additions and 95 deletions
@@ -0,0 +1,78 @@
+"""
+Урок 6: MLflow Autolog — автоматическое логирование
+====================================================
+Вместо ручного log_param/log_metric можно вызвать mlflow.autolog()
+ОДИН раз — и MLflow сам залогирует всё: параметры, метрики, модель,
+признаки, даже feature importance.
+
+Сравните с train_simple.py — там всё логировалось вручную.
+
+Запуск:
+    python src/autolog_demo.py
+"""
+from sklearn.datasets import load_wine
+from sklearn.ensemble import GradientBoostingClassifier
+from sklearn.model_selection import train_test_split
+from sklearn.metrics import accuracy_score
+
+import mlflow
+import mlflow.sklearn
+
+
+def main():
+    # ─── КЛЮЧЕВАЯ СТРОКА ──────────────────────────────────────
+    # autolog() включает автоматическое логирование для sklearn.
+    # Доступно для: sklearn, pytorch, tensorflow, xgboost, lightgbm,
+    #               keras, fastai, spark, autogluon, statsmodels
+    mlflow.sklearn.autolog(
+        log_input_examples=False,   # не логировать примеры входа
+        log_model_signatures=False,  # не строить сигнатуру модели
+        log_models=True,             # сохранить модель автоматически
+        log_datasets=True,           # залогировать датасет
+        max_tuning_runs=10,           # лимит для GridSearch
+        log_post_training_metrics=True,
+    )
+    # ─────────────────────────────────────────────────────────
+
+    mlflow.set_experiment("autolog_wine")
+
+    # Датасет wine — классификация вин по 3 сортам
+    wine = load_wine()
+    X, y = wine.data, wine.target
+    X_train, X_test, y_train, y_test = train_test_split(
+        X, y, test_size=0.3, random_state=42
+    )
+    print(f"📊 Датасет wine: {X.shape[0]} образцов, {X.shape[1]} признаков, 3 класса")
+
+    # autolog начинает работать автоматически внутри start_run
+    with mlflow.start_run(run_name="gb_autolog") as run:
+        print(f"MLflow run ID: {run.info.run_id}")
+
+        # Просто обучаем модель — НИКАКИХ log_param/log_metric!
+        model = GradientBoostingClassifier(
+            n_estimators=100,
+            learning_rate=0.1,
+            max_depth=3,
+            random_state=42,
+        )
+        model.fit(X_train, y_train)
+
+        # Можно добавить и ручные метрики — они дополнят автолог
+        y_pred = model.predict(X_test)
+        acc = accuracy_score(y_test, y_pred)
+        mlflow.log_metric("manual_accuracy", acc)
+
+        print(f"\n✅ Готово! Откройте MLflow UI:")
+        print(f"   Эксперимент: autolog_wine")
+        print(f"   Run: {run.info.run_id}")
+        print(f"   Accuracy: {acc:.4f}")
+        print(f"\n🔍 Что autolog залогировал автоматически:")
+        print(f"   • Параметры: n_estimators, learning_rate, max_depth, ...")
+        print(f"   • Метрики: training_accuracy, training_log_loss, ...")
+        print(f"   • Модель: сохранена в artifacts/model/")
+        print(f"   • Датасет: профиль в artifacts/")
+        print(f"   • Ручная метрика: manual_accuracy")
+
+
+if __name__ == "__main__":
+    main()