Feedback loop
Nelle applicazioni di ML reali, non basta distribuire un modello e dimenticarsene. Man mano che i dati evolvono, anche il modello deve farlo. Il feedback loop serve a garantire che il modello continui ad apprendere e ad adattarsi ai dati che cambiano. Immagina che il tuo modello per le malattie cardiache sia in produzione da alcuni mesi. Come parte del monitoraggio e del miglioramento continui, vuoi valutare le prestazioni attuali del modello e capire se sono necessari un potenziale riaddestramento o degli aggiustamenti. balanced_accuracy_score è stato importato per te da sklearn.metrics, ks_2samp è stato importato da scipy.stats, e due campioni del modello true_labels_feb e predicted_labels_feb relativi al periodo corrente sono già stati definiti. Infine, jan_data_samples e feb_data_samples sono stati caricati.
Questo esercizio fa parte del corso
Machine Learning end-to-end
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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'}")