2. MLflow基础

在金融量化与风控建模场景中，一次实验往往涉及多组特征、多个模型、若干超参数组合，以及严格的合规留痕要求。MLflow 正是为解决“实验可复现、模型可追溯、结果可交付”而设计的开源平台。理解它的四个核心组件，是后续开展金融实验跟踪与模型注册的前提。

一、核心原理：四大组件各司其职

MLflow 并不是一个单一工具，而是由四个松耦合组件构成，它们可以独立使用，也可以组合成完整工作流。

  • MLflow Tracking（跟踪）：记录实验的参数（params）、指标（metrics）、标签（tags）和产物（artifacts）。每次运行（run）归属于某个实验（experiment），是金融场景中“留痕”的核心。
  • MLflow Projects（项目）：用 MLproject 文件把代码、依赖、入口参数打包成可复现单元，支持本地或远程执行，适合团队统一回测环境。
  • MLflow Models（模型）：定义统一的模型封装格式，支持多种“风味（flavor）”，如 sklearn、pytorch、python_function，便于跨框架部署。
  • MLflow Model Registry（模型注册表）：对模型进行版本管理、阶段流转（Staging、Production、Archived）和审批注释，是金融模型上线的治理中枢。
记忆口诀：Tracking 管“过程”，Projects 管“环境”，Models 管“格式”，Registry 管“生命周期”。
MLflow 四组件协作关系 Tracking params / metrics tags / artifacts 实验留痕 Projects MLproject 依赖与入口参数 环境复现 Models flavor 封装 统一推理接口 跨框架部署 Model Registry 版本 / 阶段 Staging→Production 审批与归档

二、安装与配置：本地起步

MLflow 基于 Python，安装非常轻量。建议在独立虚拟环境中操作，避免与量化框架依赖冲突。

# 创建并激活虚拟环境
python -m venv mlflow-env
source mlflow-env/bin/activate      # Windows 使用 mlflow-env\Scripts\activate

# 安装 MLflow 及常用依赖
pip install mlflow scikit-learn pandas

# 查看版本
mlflow --version

默认情况下，Tracking 数据写入本地 ./mlruns 目录。若团队协作，可配置数据库与产物存储：

# 使用 SQLite 作为后端存储，本地目录存放 artifacts
mlflow server \
  --backend-store-uri sqlite:///mlflow.db \
  --default-artifact-root ./mlartifacts \
  --host 0.0.0.0 --port 5000

启动后访问 http://localhost:5000 即可看到 Web UI。生产环境通常将 backend 换成 PostgreSQL，artifact 指向 S3 或 MinIO。

三、快速上手示例：一次信用评分实验

下面以金融风控中常见的信用评分场景为例，演示 Tracking 的最小闭环。

import mlflow
import mlflow.sklearn
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score

mlflow.set_experiment("credit_scoring")

X, y = make_classification(n_samples=2000, n_features=20, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

with mlflow.start_run(run_name="rf_baseline"):
    n_estimators = 200
    max_depth = 6
    mlflow.log_param("n_estimators", n_estimators)
    mlflow.log_param("max_depth", max_depth)

    model = RandomForestClassifier(
        n_estimators=n_estimators, max_depth=max_depth, random_state=42)
    model.fit(X_train, y_train)

    auc = roc_auc_score(y_test, model.predict_proba(X_test)[:, 1])
    mlflow.log_metric("auc", auc)
    mlflow.set_tag("owner", "risk_team")

    mlflow.sklearn.log_model(model, "model")
    print(f"AUC = {auc:.4f}")

运行后，在 UI 中可以看到该 run 的参数、AUC 指标、标签以及保存的模型产物。若把 log_model 换成 mlflow.register_model，模型就会进入 Registry，获得版本号。

四、常见误区与复盘

误区表现正确做法
实验名随意所有 run 挤在 Default 下按业务线或数据集命名 experiment
只记指标不记参数无法复现最优结果params、metrics、tags 同步记录
产物存本地换机器后模型丢失artifact 指向对象存储
跳过 Registry上线模型无版本追溯用 Registry 管理阶段流转
金融场景中，实验记录本身就是审计材料。建议为每个 run 补充数据版本、特征集标识和负责人标签，避免事后无法解释模型来源。

掌握这四组件与最小示例后，你已经具备用 MLflow 管理金融实验的基础能力。下一步的关键，是把 Tracking 的粒度设计与团队规范结合起来，让每一次回测都真正可复现、可审计。

← 上一章 📖 返回目录 下一章 →