examples/README.md

📚 Exemples MLflow

Ce dossier contient des exemples pratiques pour utiliser MLflow dans le projet.

🚀 Exemples disponibles

1. Trouver le meilleur modèle

python examples/01_find_best_model.py

Ce qu'il fait :

• Liste les 5 meilleurs runs selon une métrique (cv_f1)
• Affiche les hyperparamètres et métriques du meilleur
• Charge le modèle pour vérifier qu'il fonctionne

Utilisation : Parfait pour identifier quel modèle utiliser dans ton API

---

2. Comparer plusieurs modèles

python examples/02_compare_models.py

Ce qu'il fait :

• Compare tous les runs d'une expérience
• Affiche un tableau avec métriques et hyperparamètres
• Génère un graphique de comparaison (si matplotlib installé)
• Calcule des statistiques (moyenne, max, min, écart-type)

Utilisation : Pour analyser tes expériences d'hyperparameter tuning

---

3. Gérer le Model Registry

python examples/03_model_registry.py

Ce qu'il fait :

• Liste tous les modèles enregistrés
• Affiche les versions et leurs stages
• Démontre comment promouvoir un modèle
• Charge un modèle depuis le Registry

Utilisation : Workflow de versioning pour la production

---

📖 Guide complet

Consulte docs/mlflow_guide.md pour :

• Architecture MLflow complète
• Intégration API FastAPI/Flask
• Best practices
• Workflow de retraining

🎯 Workflow recommandé

# 1. Entraîner plusieurs modèles
MLFLOW_TRACKING_URI=sqlite:///mlflow.db python tests/test_mlflow_quick.py

# 2. Trouver le meilleur
python examples/01_find_best_model.py

# 3. Comparer tous les runs
python examples/02_compare_models.py

# 4. Gérer le Registry
python examples/03_model_registry.py

# 5. Promouvoir en production (dans le code Python)
from mlflow.tracking import MlflowClient
client = MlflowClient()
client.transition_model_version_stage(
    name="XGBoost_Employee_Turnover",
    version=1,
    stage="Production"
)

🔗 Intégration API

Une fois le meilleur modèle identifié :

import mlflow

# Option A : Charger par run_id
model = mlflow.sklearn.load_model("runs:/RUN_ID/model")

# Option B : Charger depuis le Registry
model = mlflow.sklearn.load_model("models:/XGBoost_Employee_Turnover/Production")

# Prédiction
predictions = model.predict(X_new)

💡 Tips

• Métrique principale : cv_f1 (F1-score en cross-validation)
• Métriques secondaires : test_precision, test_recall, test_f1
• Vérifier : Que test_f1 ≈ cv_f1 (pas de surapprentissage)
• Favoriser : Modèles simples si performances similaires

🌐 MLflow UI

Pour visualiser graphiquement :

mlflow ui --backend-store-uri sqlite:///mlflow.db --port 5000

Puis ouvre http://localhost:5000