Confrontare le esecuzioni nell'interfaccia di MLflow
Ordini e filtri gli esperimenti per trovare il modello migliore.
Confrontare le esecuzioni nell'interfaccia di MLflow è una lezione MLOps Academy gratuita su CoddyKit. Questa è la lezione 3 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento MLOps Academy, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso MLOps Academy include 4 lezioni in totale.
Parti di questa lezione non sono ancora state tradotte e vengono mostrate in inglese.
The Runs Table
Open an experiment in the UI and you get a runs table: one row per run, with its params and metrics laid out as columns side by side.
Sort by a Metric
Click a metric column header to sort. Order by accuracy descending and your best run jumps straight to the top of the table.
Filter With a Search
Type a query in the search box to filter. Keep only the runs that match a condition, like a metric above a threshold you care about.
metrics.accuracy > 0.9 and params.max_depth = "6"Pick Which Columns Show
Too many columns? Toggle which params and metrics are visible so the table shows only the few that actually drive your decision.
Select Runs to Compare
Tick the checkboxes next to a few runs and hit Compare. MLflow opens a focused view of just those runs side by side.
The Parallel Coordinates Plot
The parallel coordinates plot draws each run as a line across params and metrics, so you can spot which settings lead to high scores.
Scatter and Contour Views
A scatter plot maps one param against a metric. It reveals trends, like accuracy rising then falling as tree depth grows.
Inspect One Run
Click any run to open its detail page. There you see every logged param, metric curve, tag, and artifact for that single execution.
Read Metric Curves
On the detail page, stepped metrics render as curves. A loss that flattens early hints you trained longer than you needed to.
Search From Code Too
You are not stuck in the browser. Use search_runs to pull matching runs into a DataFrame and analyze them programmatically.
df = mlflow.search_runs(filter_string="metrics.accuracy > 0.9")From Compare to Decision
Comparing is how you choose a winner. Sort, filter, and plot until one run clearly stands out, then move it toward production.
Quick Check
Let us check how you surface your best run in the UI.
Recap
You sorted, filtered, and plotted runs, then opened details to confirm a winner. The UI turns a pile of runs into a clear choice. ✅
Domande Frequenti
La lezione «Confrontare le esecuzioni nell'interfaccia di MLflow» è gratuita?
Sì — il testo completo di «Confrontare le esecuzioni nell'interfaccia di MLflow» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso MLOps Academy, passa a CoddyKit PRO. Il corso MLOps Academy include 4 lezioni in totale.
Cosa imparerò in «Confrontare le esecuzioni nell'interfaccia di MLflow»?
Ordini e filtri gli esperimenti per trovare il modello migliore. Eserciti MLOps Academy con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare MLOps Academy?
Non è richiesta alcuna esperienza precedente. MLOps Academy su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 3 di 4.
Quanto tempo richiede la lezione «Confrontare le esecuzioni nell'interfaccia di MLflow»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione MLOps Academy?
Sì. Ogni lezione MLOps Academy include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Installare MLflow e iniziare il tracking
- Registrare parametri, metriche e artefatti
- Confrontare le esecuzioni nell'interfaccia di MLflow
- Attivare l'autologging con una riga di codice