Bucles de retroalimentación
En aplicaciones reales de Machine Learning, no basta con desplegar un modelo y olvidarte. A medida que los datos evolucionan, el modelo también debería hacerlo. El bucle de retroalimentación garantiza que el modelo aprenda de forma continua y se adapte a los cambios en los datos. Imagina que tu modelo de cardiopatías lleva unos meses en producción. Como parte del monitoreo y la mejora continuos, quieres evaluar el rendimiento actual del modelo y determinar si es necesario un posible reentrenamiento o ajustes. balanced_accuracy_score se ha importado de sklearn.metrics, ks_2samp de scipy.stats, y se han predefinido dos muestras del modelo true_labels_feb y predicted_labels_feb para el periodo actual. Por último, jan_data_samples y feb_data_samples ya se han cargado.
Este ejercicio forma parte del curso
Machine Learning de extremo a extremo
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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'}")