Mettre en place un flux de surveillance
Tout au long du cours, vous avez appris le flux de travail de surveillance. La première étape consiste à suivre la performance. En cas de baisse, on procède à une détection de dérive multivariée pour vérifier si la dérive a causé la chute de performance, puis à une détection de dérive univariée pour repérer les variables en cause. Une fois l'enquête terminée, vous pouvez prendre des mesures pour résoudre le problème.
Pour consolider ces connaissances, vous appliquerez ce processus au jeu de données US Consensus dans cet exercice. Les jeux de données de référence et d'analyse sont déjà chargés, et vous avez accès à l'« estimator » CBPE, au calculateur univarié uv_calc, ainsi qu'à un alert_count_ranker pour classer les variables selon la dérive.
Cette activité fait partie du cours
Surveiller le Machine Learning en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Estimate the performance
estimator.____(____)
estimated_results = estimator.____(____)
estimated_results.____.____