Mengidentifikasi model drift

Sekarang Anda akan memplot skor model dari waktu ke waktu untuk memvisualisasikan kapan drift terjadi. Dengan menambahkan garis ambang dan jendela rolling RMSE, Anda dapat melihat bagaimana garis galat trailing menunjukkan penurunan kinerja.

Himpunan data fc_log dengan rata-rata bergerak yang telah dihitung, rmse_threshold, dan Plotly sebagai go telah dimuat sebelumnya untuk Anda.

Latihan ini merupakan bagian dari kursus

Merancang Pipeline Peramalan untuk Produksi

Lihat Kursus

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

p = go.Figure()

# Add RMSE line
p.add_trace(go.Scatter(x=fc_log["forecast_start"], y=fc_log["____"],
                        mode='lines',
                        name='RMSE',
                        line=dict(color='royalblue', width=2)))

# Add the RMSE rolling windows for 7 and 14 days
p.add_trace(go.Scatter(x=fc_log["forecast_start"], y=fc_log["____"],
                        mode='lines',
                        name='7 Days MA',
                        line=dict(color='green', width=2)))

p.add_trace(go.Scatter(x=fc_log["forecast_start"], y=fc_log["____"],
                        mode='lines',
                        name='14 Days MA',
                        line=dict(color='orange', width=2)))

p.add_trace(go.Scatter(x=[fc_log["forecast_start"].min(), fc_log["forecast_start"].max()], 
y=[rmse_threshold, rmse_threshold], 
name="Threshold",
line=dict(color="red", width=2, dash="dash")))

# Add plot titles and show the plot
p.update_layout(title="Forecast Error Rate Over Time",
                xaxis_title="____",
                yaxis_title="____", 
                height=400,
                title_x=0.5,
                margin=dict(t=50, b=50, l=50, r=50))
p.show()

Edit dan Jalankan Kode