Visualiser l'évolution des sorties d'un modèle déployé

Dans cet exercice, vous utiliserez des données de deux mois distincts — janvier et février — pour suivre l'évolution des prédictions de votre modèle de maladie cardiaque dans le temps. Comme vous le savez, votre modèle a été entraîné pour effectuer une tâche de classification binaire de la maladie cardiaque, et vous avez consigné ses prédictions dans les journaux pour ces deux mois.

Supposez que les journaux des prédictions du modèle des deux derniers mois ont été générés via Elastic Beanstalk et importés comme DataFrame pandas, appelés logs_january et logs_february, avec une colonne target contenant les prédictions pour ce mois. matplotlib.pyplot a été importé sous le nom plt.

Cette activité fait partie du cours

Apprentissage Machine de bout en bout

Voir le cours

Instructions de l’exercice

Visualisez la distribution des prédictions de votre modèle en janvier et en février au fil du temps en traçant des diagrammes à barres adjacents des prédictions target du modèle.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

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()
____.____

Modifier et exécuter le code