Visualiser l’évolution des sorties d’un modèle déployé
Dans cet exercice, vous allez utiliser des données de deux mois distincts — janvier et février — pour suivre l’évolution des prédictions de votre modèle de détection de maladies cardiaques dans le temps. Comme vous le savez, votre modèle a été entraîné pour effectuer une tâche de classification binaire, et vous avez enregistré les prédictions du modèle dans les journaux pour ces deux mois.
Supposez que les journaux des prédictions du modèle sur les deux derniers mois ont été générés via Elastic Beanstalk et importés en tant que DataFrame pandas, nommés logs_january et logs_february, avec une colonne target contenant les prédictions de chaque mois. matplotlib.pyplot a été importé sous le nom plt.
Cet exercice fait partie du cours
Machine Learning de bout en bout
Instructions
- Visualisez la répartition des prédictions de votre modèle en janvier et en février dans le temps en traçant des diagrammes en barres adjacents des valeurs de
targetproduites par le modèle.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
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()
____.____