Boucles de rétroaction
Dans des applications ML réelles, il ne suffit pas de déployer un modèle et de l'oublier. À mesure que les données évoluent, le modèle doit évoluer lui aussi. La boucle de rétroaction permet de s'assurer que le modèle apprend en continu et s'adapte aux données qui changent. Imaginez que votre modèle sur les maladies cardiaques est en production depuis quelques mois. Dans une optique de suivi et d'amélioration continus, vous voulez évaluer la performance actuelle du modèle et déterminer s'il faut le réentraîner ou apporter des ajustements. balanced_accuracy_score est importée pour vous depuis sklearn.metrics, ks_2samp est importée depuis scipy.stats, et deux échantillons du modèle, true_labels_feb et predicted_labels_feb, pour la période courante ont été prédéfinis. Enfin, jan_data_samples et feb_data_samples ont été chargés.
Cette activité fait partie du cours
Apprentissage Machine de bout en bout
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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'}")