Začněte nyníZačněte zdarma

Vizualizace příznaků s driftem

Po seřazení výsledků univariatní analýzy víš, že příznaky hotel a country s driftem nejvíce ovlivňují výkon modelu. V tomto cvičení se podíváš na výsledky driftu a grafy rozdělení těchto příznaků, abys zjistil/a, v čem tkví kořen problému.

Výsledky z univariatního kalkulátoru driftu jsou uloženy v proměnné uv_results.

Toto cvičení je součástí kurzu

Monitoring Machine Learning in Python

Zobrazit kurz

Pokyny k cvičení

  • Nastav argument period na analysis pro drift_results.
  • Předej hodnoty hotel a country do column_names pro drift_results.
  • Nastav argument kind v metodě .plot() na "drift".
  • Totéž proveď pro distribution_results, ale argument kind v metodě .plot() nastav na "distribution".

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Filter and create drift plots
drift_results = uv_results.filter(
    period=____,
    column_names=[____, ____]
    ).plot(kind=____)

# Filter and create distribution plots
distribution_results = uv_results.filter(
    period=____,
    column_names=[____, ____]
    ).plot(kind=____)

# Show the plots
drift_results.show()
distribution_results.show()
Upravit a spustit kód