ML model configuration test

[yeomko22]

class PipelineWithConfig(SimplePipeline):
    def __init__(self, config):
        # Call the inherited SimplePipeline __init__ method first.
        super().__init__()
        # Pass in a config object which we use during the train method.
        self.config = config

    def train(self, algorithm=LogisticRegression):
        # note that we instantiate the LogisticRegression classifier 
        # with params from the pipeline config
        self.model = algorithm(solver=self.config.get('solver'),
                               multi_class=self.config.get('multi_class'))
        self.model.fit(self.X_train, self.y_train)

• SimplePipeline을 상속 받는 PipelineWithConfig 클래스를 만든다. 이 때 생성자에 config 객체를 전달해준다.
• 이는 PipelineWIthConfig 클래스가 필요로 하는 객체를 외부에서 전달받는 dependency injection이다.

class TestIrisConfig(unittest.TestCase):
    def setUp(self):
        # We prepare the pipeline for use in the tests
        config = {'solver': 'lbfgs', 'multi_class': 'auto'}
        self.pipeline = PipelineWithConfig(config=config)
        self.pipeline.run_pipeline()

    def test_pipeline_config(self):
        # Given
        # fetch model config using sklearn get_params()
        # https://scikit-learn.org/stable/modules/generated/sklearn.base.BaseEstimator.html#sklearn.base.BaseEstimator.get_params
        model_params = self.pipeline.model.get_params()

        # Then
        self.assertTrue(model_params['solver'] in ENABLED_MODEL_SOLVERS)

• 이제 모델을 학습시킬 때 파라미터를 함께 전달해줘서 학습을 진행한다.
• 그 다음 model.get_params() 함수를 통해서 모델 파라미터를 가져오고, 여기서 원하는 config 값이 제대로 전달되었는 지를 테스트한다.