Zpětná vazba
V reálných ML aplikacích nestačí model jen nasadit a zapomenout na něj. Jak se data mění, měl by se vyvíjet i model. Zpětná vazba zajišťuje, že se model průběžně učí a přizpůsobuje měnícím se datům. Představ si, že tvůj model pro detekci srdečních onemocnění běží v produkci už několik měsíců. V rámci průběžného monitorování a vylepšování chceš zhodnotit jeho aktuální výkon a rozhodnout, jestli je potřeba přetrénování nebo úpravy. Funkce balanced_accuracy_score je naimportována z sklearn.metrics, ks_2samp z scipy.stats a pro aktuální časové období jsou předem připraveny dva vzorky výstupů modelu: true_labels_feb a predicted_labels_feb. Dále jsou načteny jan_data_samples a feb_data_samples.
Toto cvičení je součástí kurzu
Strojové učení od začátku do konce
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Calculate and print the balanced accuracy of the model
balanced_accuracy_jan = 90.0
balanced_accuracy_feb = ____(____, ____) * 100
print(f"Model Balanced Accuracy In February: {____:.2f}%")
print(f"Is there a decline in accuracy? {'Yes' if ____ < ____ else 'No'}")