Identificare il model drift
Ora traccerai i punteggi del modello nel tempo per visualizzare quando si verifica il drift. Aggiungendo la linea di soglia e le finestre mobili dell'RMSE, puoi vedere come le linee di errore a ritroso indicano un degrado delle prestazioni.
Il dataset fc_log con medie mobili già calcolate, rmse_threshold e Plotly come go sono stati precaricati per te.
Questo esercizio fa parte del corso
Progettare pipeline di forecasting per la produzione
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
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()