Poetry 版 MLflow + XGBoost Hello World 指南
沒問題！使用 Poetry 來管理依賴絕對是更好的選擇，它能確保你的環境版本鎖定（Locking），讓未來換電腦或部署到 Server 時不會炸開。
這是一份更新後的 Poetry 版 MLflow + XGBoost Hello World 指南。
Step 1: 專案初始化與 Poetry 設定
假設你已經安裝好 Poetry (如果沒裝：pip install poetry)。
1. 建立專案資料夾
mkdir mlflow-poetry-starter
cd mlflow-poetry-starter
2. 初始化 Poetry 環境
這裡我們直接用指令快速建立 pyproject.toml 並安裝需要的套件。
# 初始化 poetry (使用 -n 略過互動問答，直接用預設值)
poetry init -n --name "mlflow-starter" --description "A Hello World example for MLflow with XGBoost"
# 一次安裝所有依賴
poetry add mlflow xgboost pandas scikit-learn
此時你的目錄會多出 pyproject.toml 和 poetry.lock。
Step 2: 撰寫 docker-compose.yml
維持與之前一樣的設定，負責啟動 MLflow Server。
version: '3.7'
services:
mlflow:
image: ghcr.io/mlflow/mlflow:v2.10.0
container_name: mlflow_server
ports:
- "5000:5000"
volumes:
- ./mlflow_data:/mlflow
command: >
mlflow server
--backend-store-uri sqlite:////mlflow/mlflow.db
--default-artifact-root /mlflow/artifacts
--host 0.0.0.0
--port 5000
Step 3: 撰寫訓練程式 train.py
程式碼邏輯不變，但我們可以加上一點註解，讓你清楚這是在 Poetry 環境下執行的。
import mlflow
import mlflow.xgboost
import xgboost as xgb
from sklearn.datasets import load_diabetes
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score
# ==========================================
# 1. 設定 MLflow 連線
# ==========================================
# 指向 Docker 啟動的 Server
mlflow.set_tracking_uri("http://localhost:5000")
mlflow.set_experiment("Poetry_XGBoost_Demo")
def train():
# ==========================================
# 2. 準備資料
# ==========================================
X, y = load_diabetes(return_X_y=True, as_frame=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# ==========================================
# 3. 啟動 MLflow Run
# ==========================================
with mlflow.start_run():
print("🚀 [Poetry Env] 開始訓練...")
# 開啟 XGBoost 自動紀錄
mlflow.xgboost.autolog()
# ==========================================
# 4. 訓練 XGBoost 模型
# ==========================================
params = {
"n_estimators": 100,
"max_depth": 3,
"learning_rate": 0.1,
"subsample": 0.8,
"early_stopping_rounds": 10
}
model = xgb.XGBRegressor(**params)
model.fit(
X_train, y_train,
eval_set=[(X_test, y_test)],
verbose=False
)
# ==========================================
# 5. 手動補紀錄 Metric
# ==========================================
predictions = model.predict(X_test)
r2 = r2_score(y_test, predictions)
mlflow.log_metric("test_r2_score", r2)
print(f"✅ 訓練完成！ R2 Score: {r2:.4f}")
print("👉 請打開瀏覽器查看: http://localhost:5000")
if __name__ == "__main__":
train()
Step 4: 執行與驗證
這是使用 Poetry 最關鍵的一步，所有的執行都要透過 poetry run，或是進入 poetry shell。
1. 啟動 MLflow Server (Docker)
docker-compose up -d
2. 執行訓練 (透過 Poetry)
poetry run python train.py
這行指令會確保 python 是使用 Poetry 建立的虛擬環境，而不是你系統原本的 python。
3. 查看結果
打開瀏覽器： http://localhost:5000
可能會遇到的問題
MLflow 版本（3.9.0）還不支援 Pandas 3.0.0 以上的版本
執行時遇到
Because no versions of mlflow match >3.9.0,<4.0.0
and mlflow (3.9.0) depends on pandas (<3), mlflow (>=3.9.0,<4.0.0) requires pandas (<3).
So, because mlflow-docker-simple depends on both mlflow (^3.9.0) and pandas (^3.0.0), version solving
解決方法
你只需要在安裝時，明確限制 Pandas 的版本在 3.0.0 以下。
請在終端機執行以下指令：
poetry add mlflow "pandas<3.0.0" xgboost scikit-learn