Visualizar la salida de un modelo en producción a lo largo del tiempo
En este ejercicio, vas a utilizar datos de dos meses distintos —enero y febrero— para monitorizar cómo cambian con el tiempo las predicciones de tu modelo de enfermedad cardiaca. Como sabes, tu modelo se ha entrenado para realizar una tarea de clasificación binaria de enfermedad cardiaca, y has registrado sus predicciones en los logs de esos dos meses.
Supón que los registros de las predicciones del modelo de los dos últimos meses se han generado con Elastic Beanstalk y se han importado como DataFrames de pandas llamados logs_january y logs_february, con una columna target que contiene las predicciones de cada mes. matplotlib.pyplot se ha importado como plt.
Este ejercicio forma parte del curso
Machine Learning de extremo a extremo
Instrucciones del ejercicio
- Visualiza la distribución de las predicciones del modelo en enero y febrero a lo largo del tiempo trazando gráficos de barras adyacentes de las predicciones
targetdel modelo.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
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()
____.____