Boucles de rétroaction
Dans des applications de Machine Learning en conditions réelles, il ne suffit pas de déployer un modèle puis de l’oublier. Lorsque les données évoluent, le modèle doit évoluer aussi. La boucle de rétroaction permet de s’assurer que le modèle apprend en continu et s’adapte aux changements de données. Imaginez que votre modèle de prédiction des maladies cardiaques est en production depuis quelques mois. Dans le cadre du suivi et de l’amélioration continus, vous souhaitez évaluer ses performances actuelles et déterminer s’il faut envisager un ré-entraînement ou des ajustements. balanced_accuracy_score est importé pour vous depuis sklearn.metrics, ks_2samp depuis scipy.stats, et deux échantillons du modèle, true_labels_feb et predicted_labels_feb, pour la période actuelle ont été prédéfinis. Enfin, jan_data_samples et feb_data_samples ont été chargés.
Cet exercice fait partie du cours
Machine Learning de bout en bout
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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'}")