Visualizzare l'output di un modello distribuito nel tempo
In questo esercizio userai i dati di due mesi distinti — gennaio e febbraio — per monitorare come cambiano nel tempo le predizioni del tuo modello per le malattie cardiache. Come sai, il tuo modello è stato addestrato per svolgere un compito di classificazione binaria delle malattie cardiache e hai registrato le predizioni del modello nei log di questi due mesi.
Assumi che i log delle predizioni del modello negli ultimi due mesi siano stati generati tramite Elastic Beanstalk e importati come pandas DataFrame, chiamati logs_january e logs_february, con una colonna target contenente le predizioni per quel mese. matplotlib.pyplot è stato importato come plt.
Questo esercizio fa parte del corso
Machine Learning end-to-end
Istruzioni dell'esercizio
- Visualizza la distribuzione delle predizioni del tuo modello a gennaio e febbraio nel tempo tracciando grafici a barre affiancati delle predizioni
targetdel modello.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
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()
____.____