Univariátní detekce driftu pro dataset rezervací hotelu
V předchozích cvičeních jsme pomocí multivariátní metody detekce driftu zjistili, že posun v datech v lednu je zodpovědný za upozornění na metriku ROC AUC a zápornou obchodní hodnotu modelu.
V tomto cvičení použiješ univariátní metodu detekce driftu, abys našel/a konkrétní příznak a příčinu driftu.
Sady reference a analysis jsou již předem načteny.
Toto cvičení je součástí kurzu
Monitoring Machine Learning in Python
Pokyny k cvičení
- Zadej Wasserstein a Jensen-Shannon jako metody pro spojité proměnné a L-infinity a Chi2 pro kategorické.
- Natrénuj model na referenční sadě a vypočítej výsledky na analytické sadě.
- Zobraz výsledky.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Intialize the univariate drift calculator
uv_calc = nannyml.UnivariateDriftCalculator(
column_names=feature_column_names,
timestamp_column_name='timestamp',
chunk_period='m',
continuous_methods=[____, ____],
categorical_methods=[____, ____],
)
# Plot the results
uv_calc.____(reference)
uv_results = uv_calc.____(analysis)
____.____().____()