Feedback-Loops
In realistischen ML-Anwendungen reicht es nicht, ein Modell zu deployen und dann zu vergessen. Entwickeln sich die Daten weiter, sollte sich auch das Modell weiterentwickeln. Die Feedback-Loop stellt sicher, dass das Modell kontinuierlich lernt und sich an veränderte Daten anpasst. Stell dir vor, dein Herzkrankheiten-Modell läuft seit ein paar Monaten in Produktion. Im Rahmen des kontinuierlichen Monitorings und der Verbesserung möchtest du die aktuelle Performance des Modells beurteilen und entscheiden, ob ein erneutes Training oder Anpassungen nötig sind. balanced_accuracy_score ist für dich aus sklearn.metrics importiert, ks_2samp aus scipy.stats, und zwei Stichproben der Modellvorhersagen true_labels_feb und predicted_labels_feb für den aktuellen Zeitraum sind vordefiniert. Außerdem wurden jan_data_samples und feb_data_samples geladen.
Diese Übung ist Teil des Kurses
End-to-End Machine Learning
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# 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'}")