用于传统机器学习的 MLflow
MLflow for ML Models 为传统机器学习工作流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 简化了从实验到生产的路径。
快速开始
Scikit-learn 指南
从 scikit-learn 自动记录、模型管理和部署模式开始学习。
查看指南 →
XGBoost 指南
学习梯度提升模型，并自动跟踪参数和特征重要性。
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规模。
查看指南 →
超参数调优
通过 GridSearchCV、RandomizedSearchCV 和 Optuna 集成来优化模型。
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 服务和云平台将模型部署到生产环境。
部署模型 →
为什么要为传统机器学习选择 MLflow？
自动日志记录
仅需一行代码 (mlflow.autolog()) 即可为 scikit-learn、XGBoost、LightGBM 等捕获参数、指标、模型和工件。
实验组织
通过父子运行来跟踪超参数搜索。通过可视化图表和可排序表格跨算法比较模型。
流水线跟踪
自动记录 scikit-learn 流水线组件、预处理步骤和特征转换，实现完全的可复现性。
灵活部署
通过 Docker、Kubernetes 和云平台支持，部署用于实时推理、批处理或边缘计算的模型。
支持的库
