기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
# 훈련 중 지표, 파라미터 및 MLflow 모델 로깅
MLflow 추적 서버에 연결한 후 MLflow SDK를 사용하여 지표, 파라미터 및 MLflow 모델을 로깅할 수 있습니다.
## 훈련 지표 로깅
MLflow 훈련 실행 `mlflow.log_metric` 내에서 를 사용하여 지표를 추적합니다. MLflow로 지표를 기록하는 방법에 대한 자세한 내용은 `[mlflow.log\_metric](https://mlflow.org/docs/2.13.2/python_api/mlflow.html#mlflow.log_metric)` 섹션을 참조하세요.
```
with mlflow.start_run():
mlflow.log_metric({{"foo"}}, {{1}})
print(mlflow.search_runs())
```
이 스크립트는 실험 실행을 생성하고 다음과 유사한 출력을 인쇄해야 합니다.
```
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 내에서 이 예제는 다음과 비슷합니다.
실행 세부 정보를 보려면 **실행 이름**을 선택합니다.
## 로그 파라미터 및 모델
**참고**
다음 예제에서는 환경에 `s3:PutObject` 권한이 있어야 합니다. 이 권한은 MLflow SDK 사용자가 AWS 계정에 로그인하거나 연동할 때 수임하는 IAM 역할과 연결되어야 합니다. 자세한 내용은 [사용자 및 역할 정책 예제](https://docs.aws.amazon.com/AmazonS3/latest/userguide/example-policies-s3.html) 섹션을 참조하세요.
다음 예제에서는 SKLearn을 사용하여 기본 모델 훈련 워크플로를 안내하고 MLflow 실험 실행에서 해당 모델을 추적하는 방법을 보여줍니다. 이 예제에서는 파라미터, 지표 및 모델 아티팩트를 기록합니다.
```
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 내에서 왼쪽 탐색 창에서 실험 이름을 선택하여 연결된 모든 실행을 탐색합니다. 각 실행에 대한 자세한 내용을 보려면 **실행 이름**을 선택합니다. 이 예제에서는 이 실행에 대한 실험 실행 페이지가 다음과 비슷해야 합니다.
이 예제에서는 로지스틱 회귀 모델을 기록합니다. MLflow UI 내에는 로깅된 모델 아티팩트도 표시됩니다.
