Porównywanie uruchomień w interfejsie MLflow
Sortuj i filtruj eksperymenty, aby znaleźć najlepszy model.
Porównywanie uruchomień w interfejsie MLflow to bezpłatna lekcja MLOps Academy na CoddyKit. To lekcja 3 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej MLOps Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs MLOps Academy zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
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. ✅
Często zadawane pytania
Czy lekcja „Porównywanie uruchomień w interfejsie MLflow” jest bezpłatna?
Tak — pełny tekst „Porównywanie uruchomień w interfejsie MLflow” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu MLOps Academy, przejdź na CoddyKit PRO. Kurs MLOps Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Porównywanie uruchomień w interfejsie MLflow”?
Sortuj i filtruj eksperymenty, aby znaleźć najlepszy model. Ćwiczysz MLOps Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć MLOps Academy?
Nie wymagamy żadnego doświadczenia. MLOps Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 3 z 4.
Ile czasu zajmuje lekcja „Porównywanie uruchomień w interfejsie MLflow”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji MLOps Academy?
Tak. Każda lekcja MLOps Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Instalacja MLflow i rozpoczęcie śledzenia
- Rejestrowanie parametrów, metryk i artefaktów
- Porównywanie uruchomień w interfejsie MLflow
- Automatyczne logowanie jedną linią kodu