怎么用MLflow管实验

MLflow 是一个开源的机器学习生命周期管理平台，主要用来跟踪实验、打包代码、管理模型和注册模型。下面我按“干什么 → 怎么用”的方式给你一个实用指南。

一、MLflow 能管什么（核心组件）

1. MLflow Tracking：记录参数、指标、模型、日志
2. MLflow Projects：把代码变成可复现项目
3. MLflow Models：统一模型格式（可部署）
4. MLflow Registry：模型版本与上线管理

二、最常用：用 Tracking 管实验

1. 安装

pip install mlflow

2. 最小可用例子

import mlflow
import mlflow.sklearn
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
mlflow.start_run(run_name="rf_baseline"):
params = {"n_estimators": 100, "max_depth": 5}
mlflow.log_params(params)
model = RandomForestClassifier(**params)
model.fit(X_train, y_train)
pred = model.predict(X_test)
acc = accuracy_score(y_test, pred)
mlflow.log_metric("accuracy", acc)
mlflow.sklearn.log_model(model, "model")

3. 查看实验

mlflow ui

浏览器打开：http://localhost:5000
能看到：

• 每次 run 的参数
• 指标曲线
• 保存的模型

三、实验组织方式（很重要）

✅ 推荐结构

Experiment: churn_prediction
├── run: baseline
├── run: feature_engineered
└── run: tuned_model

mlflow.set_experiment("churn_prediction")

四、进阶用法

1. 自动记录（省事）

mlflow.sklearn.autolog()

会自动记录：

• 参数
• 指标
• 模型

2. 记录图表 / 文件

mlflow.log_artifact("confusion_matrix.png")

3. 用远程 Tracking Server（团队协作）

mlflow server \
--host 0.0.0.0 \
--port 5000 \
--backend-store-uri sqlite:///mlflow.db

Python 中：

mlflow.set_tracking_uri("http://server-ip:5000")

五、模型管理与上线

注册模型

mlflow.register_model(
"runs://model",
"ChurnModel"
)

版本管理

• 每个注册模型有多个版本
• 可标记：Staging / Production

六、常见使用场景

七、新手建议

✅ 先用 mlflow ui 看实验
✅ 每个想法一个 run

✅ 不要只记 accuracy，记“为什么这么试”

如果你愿意，可以告诉我：

• 用 Sklearn / PyTorch / LLM？
• 单人还是团队？
• 本地还是云？

我可以直接给你一套可抄的配置。