MLflow记录的RMSE未显示在Azure ML Metrics Tab？如何解决？

1. 确认代码执行到指标记录步骤 #

先查看训练任务的日志输出，确认是否打印了RMSE: XXX。如果没看到该输出，说明前面的代码出现异常，导致未执行到mlflow.log_metric步骤：

• 常见问题：数据集加载失败、数据处理时列名不存在、LightGBM训练报错等，根据日志中的错误信息修复代码即可。

2. 显式关联MLflow与Azure ML Run #

Azure ML提交任务时会自动创建Run，但需要确保MLflow日志能正确关联到该Run。修改train.py，在mlflow.autolog()前添加以下代码，并将后续代码缩进至with代码块内：

from azureml.core.run import Run

# 获取当前Azure ML Run上下文
run = Run.get_context()

# 配置MLflow跟踪地址和实验，确保日志同步到Azure ML
mlflow.set_tracking_uri(run.experiment.workspace.get_mlflow_tracking_uri())
mlflow.set_experiment(run.experiment.name)

# 显式启动MLflow Run，关联到Azure ML Run ID
with mlflow.start_run(run_id=run.id):
    # 原有的mlflow.autolog()调用
    mlflow.autolog()
    
    # 以下是原有的数据处理、模型训练、指标记录代码
    data.drop(['postal_code','Column1','province','region','lattitude','longitude'], axis=1, inplace=True)
    one_hot_state_of_the_building=pd.get_dummies(data.state_of_the_building) 
    one_hot_city = pd.get_dummies(data.city_name, prefix='city')
    # ... 其余代码保持不变
    mlflow.log_metric("RMSE", mse**0.5)

3. 调整MLflow Autolog参数避免冲突 #

mlflow.autolog()默认会自动记录大量指标和模型，可能与手动记录的指标产生冲突。可以修改autolog参数，允许手动补充指标：

mlflow.autolog(log_models=False, exclusive=False, disable=False)

• log_models=False：避免自动记录模型（若不需要自动记录模型可启用）
• exclusive=False：允许手动记录的指标被添加到日志中，不会被自动记录覆盖

4. 确认环境包含必要依赖 #

你使用的AzureML-sklearn-1.0-ubuntu20.04-py38-cpu环境默认包含MLflow，但如果版本不兼容可能导致日志同步失败。可创建自定义环境确保依赖完整：

from azureml.core.environment import Environment
from azureml.core.conda_dependencies import CondaDependencies

env = Environment(name="custom-lightgbm-env")
conda_dep = CondaDependencies()
conda_dep.add_pip_package("mlflow")
conda_dep.add_pip_package("azureml-mlflow")
conda_dep.add_pip_package("lightgbm")
conda_dep.add_pip_package("pandas")
conda_dep.add_pip_package("scikit-learn")
env.python.conda_dependencies = conda_dep

之后在ScriptRunConfig中替换为这个自定义环境即可。

5. 检查指标名称合法性 #

确保指标名称RMSE无特殊字符（空格、斜杠等），当前名称符合Azure ML Metrics Tab的命名规则，此步骤可快速排除名称问题。

内容的提问来源于stack exchange，提问作者Luis Valencia