Identificar el model drift

Ahora vas a trazar las puntuaciones del modelo a lo largo del tiempo para visualizar cuándo se produce drift. Al añadir la línea de umbral y las ventanas móviles de RMSE, podrás ver cómo las líneas de error recientes indican una degradación del rendimiento.

El conjunto de datos fc_log con las medias móviles calculadas, rmse_threshold, y Plotly como go ya están precargados para ti.

Este ejercicio forma parte del curso

Diseño de canalizaciones de predicción para producción

Ver curso

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

p = go.Figure()

# Add RMSE line
p.add_trace(go.Scatter(x=fc_log["forecast_start"], y=fc_log["____"],
                        mode='lines',
                        name='RMSE',
                        line=dict(color='royalblue', width=2)))

# Add the RMSE rolling windows for 7 and 14 days
p.add_trace(go.Scatter(x=fc_log["forecast_start"], y=fc_log["____"],
                        mode='lines',
                        name='7 Days MA',
                        line=dict(color='green', width=2)))

p.add_trace(go.Scatter(x=fc_log["forecast_start"], y=fc_log["____"],
                        mode='lines',
                        name='14 Days MA',
                        line=dict(color='orange', width=2)))

p.add_trace(go.Scatter(x=[fc_log["forecast_start"].min(), fc_log["forecast_start"].max()], 
y=[rmse_threshold, rmse_threshold], 
name="Threshold",
line=dict(color="red", width=2, dash="dash")))

# Add plot titles and show the plot
p.update_layout(title="Forecast Error Rate Over Time",
                xaxis_title="____",
                yaxis_title="____", 
                height=400,
                title_x=0.5,
                margin=dict(t=50, b=50, l=50, r=50))
p.show()

Editar y ejecutar código