🍷 Wine Classifier — MLFlow_Part1

Este projeto é um exemplo simples de como integrar MLflow para rastreamento de experimentos em um modelo de classificação com o dataset clássico Wine do Scikit-Learn.

---

✅ Funcionalidades

• Treinamento de modelo RandomForestClassifier
• Rastreamento de experimentos com MLflow Tracking
• Utilização de config.yaml para definir:
  • Nome do experimento
  • Nome base do run
• Nome do run é automaticamente incrementado com data e hora para evitar conflitos
• Logging de parâmetros, métricas e artefatos do modelo

---

🗂 Estrutura do Projeto

MLFlow_part1/ 
│
├── README.md 
├── requirements.txt 
├── config.yaml 
├── train.py
├── train_optuna.py

⚙️ Como usar

1. Clone o repositório

git clone https://github.com/seu-usuario/MLFlow_part1.git
cd MLFlow_part1/

2. Instale as dependências

Crie um ambiente virtual (opcional):

python -m venv venv
source venv/bin/activate  # Linux/macOS
venv\Scripts\activate     # Windows

pip install -r ../requirements.txt

3. Execute o script

python train.py
or
python train_optuna.py

📊 Visualizando o MLflow UI

Execute o seguinte comando no terminal:

mlflow ui

Depois, acesse no navegador:

http://localhost:5000

🧠 Sobre o config.yaml

Este arquivo permite ao usuário definir parâmetros sem editar o código diretamente.

experiment:
  name: "wine_experiment"
  run_name: "baseline_model"