翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
# トレーニング中にメトリクス、パラメータ、MLflow モデルをログに記録する
MLflow 追跡サーバーに接続したら、MLflow SDK を使用して、メトリクス、パラメータ、MLflow モデルをログに記録できます。
## トレーニングメトリクスをログに記録する
MLflow トレーニングの実行 (run) 内で `mlflow.log_metric` を使用して、メトリクスを追跡します。MLflow を利用したメトリクスのログ記録の詳細については、「`[mlflow.log\_metric](https://mlflow.org/docs/2.13.2/python_api/mlflow.html#mlflow.log_metric)`」を参照してください。
```
with mlflow.start_run():
mlflow.log_metric({{"foo"}}, {{1}})
print(mlflow.search_runs())
```
このスクリプトは、実験の実行を作成し、次のような出力を生成します。
```
run_id experiment_id status artifact_uri ... tags.mlflow.source.name tags.mlflow.user tags.mlflow.source.type tags.mlflow.runName
0 607eb5c558c148dea176d8929bd44869 0 FINISHED s3://dddd/0/607eb5c558c148dea176d8929bd44869/a... ... file.py user-id LOCAL experiment-code-name
```
MLflow UI 内では、このサンプルは次のように表示されます。
![最上位の MLflow の [Experiments] メニューに実験が表示されています。](http://docs.aws.amazon.com/ja_jp/sagemaker/latest/dg/images/mlflow/mlflow-ui-experiments.png)
**[Run Name]** を選択すると、実行の詳細が表示されます。
## パラメータとモデルをログに記録する
**注記**
次のサンプルを実行するには、ご利用の環境に `s3:PutObject` アクセス許可が必要です。このアクセス許可は、MLflow SDK ユーザーが AWS アカウントにログインまたはフェデレーションするときに引き受ける IAM ロールに関連付ける必要があります。詳細については、[ユーザーとロールのポリシーの例](https://docs.aws.amazon.com/AmazonS3/latest/userguide/example-policies-s3.html)を参照してください。
次の例は、SKLearn を使用した基本的なモデルトレーニングのワークフローを説明し、MLflow の実験実行でそのモデルを追跡する方法を示しています。この例では、パラメータ、メトリクス、モデルアーティファクトをログに記録します。
```
import mlflow
from mlflow.models import infer_signature
import pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
# This is the ARN of the MLflow Tracking Server you created
mlflow.set_tracking_uri({{your-tracking-server-arn}})
mlflow.set_experiment({{"some-experiment"}})
# Load the Iris dataset
X, y = datasets.load_iris(return_X_y=True)
# Split the data into training and test sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Define the model hyperparameters
params = {"solver": "lbfgs", "max_iter": 1000, "multi_class": "auto", "random_state": 8888}
# Train the model
lr = LogisticRegression(**params)
lr.fit(X_train, y_train)
# Predict on the test set
y_pred = lr.predict(X_test)
# Calculate accuracy as a target loss metric
accuracy = accuracy_score(y_test, y_pred)
# Start an MLflow run and log parameters, metrics, and model artifacts
with mlflow.start_run():
# Log the hyperparameters
mlflow.log_params({{params}})
# Log the loss metric
mlflow.log_metric({{"accuracy"}}, {{accuracy}})
# Set a tag that we can use to remind ourselves what this run was for
mlflow.set_tag({{"Training Info"}}, {{"Basic LR model for iris data"}})
# Infer the model signature
signature = infer_signature(X_train, lr.predict(X_train))
# Log the model
model_info = mlflow.sklearn.log_model(
sk_model={{lr}},
name={{"iris_model"}}, # Changed from artifact_path to name for MLflow 3.0
signature={{signature}},
input_example={{X_train}},
registered_model_name={{"tracking-quickstart"}},
)
```
MLflow UI 内で、左側のナビゲーションペインで実験名を選択して、関連するすべての実行を調べます。**[Run Name]** を選択すると、各実行に関する詳細情報が表示されます。この例の場合、この実行の実験実行ページは次のように表示されます。
この例では、ロジスティック回帰モデルをログに記録しています。MLflow UI 内には、ログに記録されたモデルアーティファクトも表示されます。
