Die Ausgaben eines bereitgestellten Modells im Zeitverlauf visualisieren
In dieser Übung nutzt du Daten aus zwei separaten Monaten – Januar und Februar –, um Änderungen in den Vorhersagen deines Herzkrankheiten-Modells im Zeitverlauf zu überwachen. Wie du weißt, wurde dein Modell für eine binäre Klassifikationsaufgabe zur Erkennung von Herzkrankheiten trainiert, und du hast die Vorhersagen des Modells in den Protokollen für diese beiden Monate aufgezeichnet.
Gehe davon aus, dass die Protokolle der Modellvorhersagen der letzten zwei Monate über Elastic Beanstalk erzeugt und als pandas-DataFrames importiert wurden. Sie heißen logs_january und logs_february und enthalten jeweils eine Spalte target mit den Vorhersagen für den jeweiligen Monat. matplotlib.pyplot wurde als plt importiert.
Diese Übung ist Teil des Kurses
End-to-End Machine Learning
Anleitung zur Übung
- Visualisiere die Verteilung der
target-Vorhersagen deines Modells im Januar und Februar über die Zeit, indem du nebeneinanderliegende Balkendiagramme der Modell-target-Vorhersagen erstellst.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
fig, ax = plt.subplots(1, 2, figsize=(15, 6)) # 1 row, 2 columns
# January Plot
logs_january['____'].____.plot(kind=____, ax=ax[0])
ax[0].set_title('Distribution of Predicted Classes - January')
ax[0].set_xlabel('Class')
ax[0].set_ylabel('Frequency')
# February Plot
logs_february['____'].____.plot(____=____, ax=ax[1])
ax[1].set_title('Distribution of Predicted Classes - February')
ax[1].set_xlabel('Class')
ax[1].set_ylabel('Frequency')
plt.tight_layout()
____.____