CommencezCommencez gratuitement

Détection de dérive univariée pour l'ensemble de données de réservations d'hôtel

Dans les exercices précédents, nous avons établi à l'aide de la méthode de détection de dérive multivariée que le décalage des données en janvier est responsable de l'alerte sur la métrique ROC AUC et de la valeur d'affaires négative du modèle.

Dans cet exercice, vous utiliserez une méthode de détection de dérive univariée pour trouver la variable explicative et l'explication derrière la dérive.

Les ensembles reference et analysis sont déjà chargés pour vous.

Cette activité fait partie du cours

Surveiller le Machine Learning en Python

Voir le cours

Instructions de l’exercice

  • Indiquez les méthodes Wasserstein et Jensen-Shannon pour les variables continues, et L-infinity et Chi2 pour les variables catégorielles.
  • Ajustez sur l'ensemble de référence et calculez les résultats sur l'ensemble d'analyse.
  • Tracez les résultats.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Intialize the univariate drift calculator
uv_calc = nannyml.UnivariateDriftCalculator(
    column_names=feature_column_names,
    timestamp_column_name='timestamp',
    chunk_period='m',
    continuous_methods=[____, ____],
    categorical_methods=[____, ____],
)

# Plot the results
uv_calc.____(reference)
uv_results = uv_calc.____(analysis)
____.____().____()
Modifier et exécuter le code