Memvisualisasikan keluaran model yang telah dideploy dari waktu ke waktu

Dalam latihan ini, Anda akan memanfaatkan data dari dua bulan terpisah — Januari dan Februari — untuk memantau perubahan prediksi model penyakit jantung Anda dari waktu ke waktu. Seperti yang Anda ketahui, model Anda telah dilatih untuk melakukan tugas klasifikasi biner untuk klasifikasi penyakit jantung, dan Anda telah mencatat prediksi model dalam log untuk kedua bulan tersebut.

Asumsikan bahwa log prediksi model selama dua bulan terakhir telah dihasilkan melalui Elastic Beanstalk dan telah diimpor sebagai pandas DataFrame, bernama logs_january dan logs_february, dengan kolom target berisi prediksi untuk bulan tersebut. matplotlib.pyplot telah diimpor sebagai plt.

Latihan ini adalah bagian dari kursus

Machine Learning Ujung ke Ujung

Lihat Kursus

Petunjuk latihan

Visualisasikan distribusi prediksi model Anda pada bulan Januari dan Februari dari waktu ke waktu dengan memplot grafik batang berdampingan dari prediksi target model.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

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()
____.____

Edit dan Jalankan Kode