Calcular un umbral y medias móviles
Vas a seguir la precisión del pronóstico en el tiempo para detectar model drift. Al calcular ventanas móviles y definir un nivel umbral para activar alertas de deriva, podrás identificar cuándo el modelo deja de alinearse con la realidad y necesita reentrenamiento.
Usarás los primeros 14 pronósticos de fc_log_test para establecer el umbral y luego lo aplicarás al resto de los registros de pronóstico. Los registros fc_log_test y fc_log, que contienen puntuaciones de rendimiento del modelo, ya están precargados, junto con pandas como pd.
Este ejercicio forma parte del curso
Diseño de canalizaciones de predicción para producción
Instrucciones del ejercicio
- Define el nivel de umbral a partir de
fc_log_testsumando tres desviaciones estándar a la media del RMSE y guárdalo comormse_threshold. - Calcula la media móvil de RMSE usando ventanas móviles de 7 y 14 días para
fc_log.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Set threshold: mean + 3 standard deviations
rmse_threshold = fc_log_test["____"].mean() + 3 * fc_log_test["____"].____()
# Create rolling window averages for RMSE
fc_log["rmse_ma_7"] = fc_log["rmse"].rolling(window=____).____()
fc_log["rmse_ma_14"] = fc_log["rmse"].rolling(window=____).____()
print(f"RMSE threshold: {round(rmse_threshold, 2)}")
print()
print("Forecast log with rolling averages:")
print(fc_log[["forecast_start", "rmse", "rmse_ma_7", "rmse_ma_14"]].head(20))