Seguimiento de experimentos con MLflow
mlflow.start_run(), log_param(), log_metric(), log_artifact() y visualización de la interfaz de MLflow.
Seguimiento de experimentos con MLflow es una lección gratuita de Learn AI with Python en CoddyKit. Esta es la lección 1 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de Learn AI with Python, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Learn AI with Python incluye 4 lecciones en total.
¿Por qué realizar un seguimiento de los experimentos?
El trabajo de ML implica decenas de ejecuciones con distintos parámetros y datos. Sin seguimiento, se pierde qué configuraciones produjeron el mejor modelo. MLflow registra los parámetros, las métricas y los artefactos de cada ejecución para que los resultados sean reproducibles y comparables.
Instalación e importación
MLflow requiere una sola instalación mediante pip y una importación.
# pip install mlflow
import mlflow
import mlflow.sklearnEl contexto start_run
mlflow.start_run() abre una ejecución como administrador de contexto. Todo lo que se registre dentro del bloque with pertenece a esa ejecución, y esta se cierra automáticamente al salir del bloque.
with mlflow.start_run():
# log params, metrics, model here
passRegistro de parámetros
log_param registra un solo hiperparámetro (una entrada que usted ha elegido). Registre todo lo que defina la ejecución para poder reproducirla más adelante.
with mlflow.start_run():
mlflow.log_param("n_estimators", 200)
mlflow.log_param("max_depth", 8)Registro de métricas
log_metric registra un resultado numérico, como la precisión o la pérdida (una salida). Las métricas se pueden registrar repetidamente con un step para seguir las curvas de entrenamiento.
mlflow.log_metric("accuracy", 0.93)
mlflow.log_metric("val_loss", 0.21, step=epoch)Parámetros frente a métricas
- Parámetros: entradas que usted establece (tasa de aprendizaje, profundidad). Se registran una vez.
- Métricas: salidas que usted mide (precisión, RMSE). Pueden cambiar a lo largo de los pasos.
Mantenerlos separados permite que MLflow compare las ejecuciones en tablas y gráficos.
Registro de artefactos
log_artifact almacena cualquier archivo junto con la ejecución: gráficos, matrices de confusión, muestras de datos y archivos de configuración. Los artefactos permiten adjuntar pruebas complementarias a una ejecución.
mlflow.log_artifact("confusion_matrix.png")
mlflow.log_artifact("feature_importance.csv")Registro del modelo
mlflow.sklearn.log_model serializa un modelo entrenado de scikit-learn como un artefacto, empaquetado con sus dependencias para poder volver a cargarlo o implementarlo más adelante. Cada framework tiene su propio flavor (mlflow.keras, mlflow.pytorch).
mlflow.sklearn.log_model(model, artifact_path="model")El run_id
Cada ejecución recibe un run_id único. Puede utilizarlo para hacer referencia a una ejecución específica, volver a cargarla o compararla mediante programación.
with mlflow.start_run() as run:
mlflow.log_metric("accuracy", 0.93)
print("Run ID:", run.info.run_id)Una ejecución completa
En conjunto: abra una ejecución, registre los parámetros, entrene, registre las métricas y registre el modelo, todo en un mismo bloque.
with mlflow.start_run():
mlflow.log_param("max_depth", 8)
model.fit(X_train, y_train)
acc = model.score(X_test, y_test)
mlflow.log_metric("accuracy", acc)
mlflow.sklearn.log_model(model, "model")Visualización de experimentos
Ejecute mlflow ui en su terminal para iniciar un panel web local (http://localhost:5000 de forma predeterminada), donde puede explorar ejecuciones, ordenarlas por métrica y comparar parámetros uno al lado del otro.
# terminal
mlflow uiComprobación rápida
Ponga a prueba sus conocimientos sobre el seguimiento con MLflow.
Resumen
Ha realizado el seguimiento de experimentos con MLflow: start_run() abre una ejecución, log_param/log_metric registran entradas y salidas, log_artifact almacena archivos y mlflow.sklearn.log_model guarda el modelo. Cada ejecución tiene un run_id, y mlflow ui muestra toda la información. Siguiente tema: el registro y el versionado de modelos.
Preguntas frecuentes
¿La lección «Seguimiento de experimentos con MLflow» es gratis?
Sí — el texto completo de «Seguimiento de experimentos con MLflow» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de Learn AI with Python, actualiza a CoddyKit PRO. El curso de Learn AI with Python incluye 4 lecciones en total.
¿Qué aprenderé en «Seguimiento de experimentos con MLflow»?
mlflow.start_run(), log_param(), log_metric(), log_artifact() y visualización de la interfaz de MLflow. Practicas Learn AI with Python con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar Learn AI with Python?
No se requiere experiencia previa. Learn AI with Python en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 1 de 4.
¿Cuánto tiempo toma la lección «Seguimiento de experimentos con MLflow»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de Learn AI with Python?
Sí. Cada lección de Learn AI with Python incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Seguimiento de experimentos con MLflow
- Registro y versionado de modelos
- Construcción de pipelines de ML reproducibles
- Supervisión del rendimiento de modelos en producción