18、LightGBM模型在AWS SageMaker与PostgresML中的MLOps实践

LightGBM模型在AWS SageMaker与PostgresML中的MLOps实践

1. 使用AWS SageMaker构建LightGBM机器学习管道

1.1 管道参数与执行

在构建LightGBM机器学习管道时，我们需要传递一系列参数，包括模型偏差检查、可解释性检查等相关参数。以下是部分参数示例：

skip_check_model_bias_param,
register_new_baseline_model_bias_param,
supplied_baseline_constraints_model_bias_param,
skip_check_model_explainability_param,
register_new_baseline_model_explainability_param,
supplied_baseline_constraints_model_explainability_param,
model_approval_status_param

同时，我们要将定义好的步骤作为列表参数传递，并更新管道：

steps=[
    process_step,
    train_step,
    evaluation_step,
    condition_step
],
sagemaker_session=sess)
pipeline.upsert(role_arn=sagemaker_role)

执行管道通过调用