Inizia subitoInizia gratis

Drift nell'insieme di dati delle prenotazioni di hotel

Nel capitolo precedente, hai calcolato il valore di business e la ROC AUC per un modello che predice le cancellazioni delle prenotazioni. Hai notato alcuni avvisi nei grafici risultanti, per questo è necessario indagare l'eventuale presenza di drift nei dati dell'analisi.

In questo esercizio, inizializzerai il metodo di rilevamento del drift multivariato e confronterai i suoi risultati con quelli di performance calcolati nel capitolo precedente.

StandardDeviationThreshold è già importato insieme al valore di business e ai risultati ROC AUC memorizzati nella variabile perf_results, e feature_column_names è già definito.

Questo esercizio fa parte del corso

Monitoraggio del Machine Learning in Python

Visualizza corso

Istruzioni dell'esercizio

  • Inizializza il metodo StandardDeviationThreshold e imposta std_lower_multiplier a 2 e il parametro std_upper_multiplier a 1.
  • Aggiungi i seguenti nomi di feature country, lead_time, parking_spaces e hotel. Mantieni questo ordine.
  • Passa le soglie e i nomi delle feature definiti in precedenza al DataReconstructionDriftCalculator.
  • Mostra il grafico di confronto che includa sia i risultati del rilevamento del drift multivariato (mv_results) sia i risultati di performance (perf_results).

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# Create standard deviation thresholds
stdt = StandardDeviationThreshold(____=____, ____=____)

# Define feature columns
feature_column_names = [____, ____, ____, ____]

# Intialize, fit, and show results of multivariate drift calculator
mv_calc = nannyml.DataReconstructionDriftCalculator(
    column_names=____,
	threshold = ____,
    timestamp_column_name='timestamp',
    chunk_period='m')
mv_calc.fit(reference)
mv_results = mv_calc.calculate(analysis)
mv_results.filter(period='analysis').____(____).plot().show()
Modifica ed esegui il codice