Loop umpan balik
Dalam aplikasi Machine Learning dunia nyata, tidak cukup hanya menerapkan model lalu melupakannya. Saat data berubah, model juga harus ikut menyesuaikan. Loop umpan balik adalah cara untuk memastikan model terus belajar dan beradaptasi terhadap perubahan data. Bayangkan model penyakit jantung Anda telah berada di produksi selama beberapa bulan. Sebagai bagian dari pemantauan dan perbaikan berkelanjutan, Anda ingin menilai kinerja model saat ini dan menentukan kebutuhan untuk pelatihan ulang atau penyesuaian. balanced_accuracy_score telah diimpor untuk Anda dari sklearn.metrics, ks_2samp diimpor dari scipy.stats, dan dua sampel model true_labels_feb serta predicted_labels_feb untuk periode saat ini telah didefinisikan sebelumnya. Terakhir, jan_data_samples dan feb_data_samples telah dimuat.
Latihan ini adalah bagian dari kursus
Machine Learning Ujung ke Ujung
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
# 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'}")