MLflow 传统机器学习指南
MLflow 为传统机器学习工作流程提供了全面的实验跟踪、模型管理和部署功能。从 scikit-learn 流水线到梯度提升模型，MLflow 可简化您从实验到生产的路径。
开始使用
Scikit-learn 指南
从 scikit-learn 自动日志记录、模型管理和部署模式开始。
查看指南 →
XGBoost 指南
通过自动化的参数和特征重要性跟踪，了解梯度提升。
查看指南 →
Spark MLlib 指南
利用分布式计算将传统机器学习扩展到大数据。
查看指南 →
超参数调优
使用 GridSearchCV、RandomizedSearchCV 和 Optuna 集成优化模型。
开始调优 →
模型评估
使用内置指标、可视化和自定义评估器来评估模型。
了解评估 →
模型部署
使用 MLflow serving 和云平台将模型部署到生产环境。
部署模型 →
MLflow 在传统机器学习中的优势
自动日志记录
只需单行代码 (mlflow.autolog()) 即可捕获 scikit-learn、XGBoost、LightGBM 等的参数、指标、模型和构件。
实验组织
通过父子运行跟踪超参数搜索。使用可视化图表和可排序表格跨不同算法比较模型。
流水线跟踪
自动记录 scikit-learn Pipeline 组件、预处理步骤和特征转换，实现完全可重现性。
灵活的部署
利用 Docker、Kubernetes 和云平台支持，为实时推理、批处理或边缘部署部署模型。
支持的库
