26、MLlib模型部署与Spark在非MLlib模型中的应用

MLlib模型部署与Spark在非MLlib模型中的应用

1. 实验输出与项目运行

代码运行会产生如下输出：

{'r2': 0.22794251914574226, 'rmse': 211.5096898777315}

此代码已作为MLflow项目托管在GitHub仓库中，你可以使用不同的 max_depth 和 num_trees 超参数值来运行实验。MLflow项目中的YAML文件指定了库依赖，因此该代码可以在其他环境中运行：

# In Python
mlflow.run(
  "https://github.com/databricks/LearningSparkV2/#mlflow-project-example", 
  parameters={"max_depth": 5, "num_trees": 100})

或者在命令行中运行：

mlflow run https://github.com/databricks/LearningSparkV2/#mlflow-project-example -P max_depth=5 -P num_trees=100

2. MLlib模型部署选项

不同组织和用例对机器学习模型的部署有不同的需求。业务约束会对延迟、吞吐量、成本等方面提