Implementação da Equação do Modelo como Artefato JSON

Visão Geral

Esta implementação adiciona a capacidade de extrair e salvar a equação do modelo de regressão linear como um artefato JSON, seguindo a arquitetura existente do projeto.

Mudanças Implementadas

1. TrainModelResult

Arquivo: model_manager/utils/models/train_model_result.py
Mudanças:
- Adicionado campo equation: dict | None = None para armazenar os metadados da equação
- Adicionado campo equation_path: str | None = None para armazenar o caminho do arquivo JSON

2. TrainingRepository

Arquivo: model_manager/utils/repository/training_repository.py
Mudanças:
- Adicionado método _extract_model_equation() para extrair coeficientes e intercept do modelo
- Integrado a extração da equação no método after_train_calculation()

3. ModelRepository

Arquivo: model_manager/utils/repository/model_repository.py
Mudanças:
- Adicionado import do módulo json
- Modificado _generate_report() para salvar a equação como arquivo JSON
- Modificado _save_run() para fazer log do artefato da equação no MLflow

Estrutura do JSON da Equação

O arquivo model_equation.json terá a seguinte estrutura:

{
  "target_variable": "target_column_name",
  "coefficients": {
    "feature1": 0.123456,
    "feature2": -0.789012,
    "feature3": 0.345678
  },
  "intercept": 1.234567,
  "equation_string": "target_column_name = 1.234567 + 0.123456 * feature1 + -0.789012 * feature2 + 0.345678 * feature3",
  "latex_equation": "target_column_name = 1.234567 + 0.123456 \\cdot feature1 + -0.789012 \\cdot feature2 + 0.345678 \\cdot feature3",
  "model_type": "Linear Regression"
}

Fluxo de Execução

Treinamento: O modelo é treinado no TrainingRepository.train()
Pós-treinamento: O método after_train_calculation() é chamado, que:
- Calcula as métricas (MSE, MAE, R²)
- Extrai a equação usando _extract_model_equation()
Salvamento: O ModelRepository.save_model() é chamado, que:
- Gera os artefatos (relatórios, dados CSV)
- Salva a equação como model_equation.json
- Faz log de todos os artefatos no MLflow

Benefícios

Rastreabilidade: A equação fica disponível como artefato versionado no MLflow
Transparência: Fácil acesso aos coeficientes e estrutura do modelo
Compatibilidade: Formato JSON facilita integração com outras ferramentas
Flexibilidade: Inclui tanto formato legível quanto LaTeX para diferentes usos

Compatibilidade

Esta implementação é totalmente compatível com:

A arquitetura existente do projeto
O fluxo de treinamento atual
O sistema de logging do MLflow
Os testes existentes (não quebra funcionalidades)

Exemplo de Uso

Após o treinamento, a equação estará disponível em:

Memória: train_result.equation (dicionário Python)
Arquivo: train_result.equation_path (caminho para o JSON)
MLflow: Como artefato model_equation.json no run do experimento

3.0 KiB Raw Blame History