Implementación de un flujo de trabajo de monitorización
A lo largo del curso, has aprendido sobre el flujo de trabajo de monitorización. El primer paso es la monitorización del rendimiento. Si hay cambios negativos, los siguientes pasos implican la detección de drift multivariante para identificar si el drift causó la caída de rendimiento, seguida de la detección de drift univariante para localizar la causa en variables individuales. Una vez tengas los resultados de la investigación, podrás tomar medidas para resolver el problema.
Para afianzar estos conocimientos, en este ejercicio aplicarás este proceso al conjunto de datos US Consensus. Los conjuntos de referencia y de análisis ya están precargados, y tienes acceso al estimator CBPE, al calculador univariante uv_calc y a un alert_count_ranker para ordenar variables por drift.
Este ejercicio forma parte del curso
Monitorización de Machine Learning en Python
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Estimate the performance
estimator.____(____)
estimated_results = estimator.____(____)
estimated_results.____.____