フィードバックループ
実世界の Machine Learning アプリケーションでは、モデルをデプロイして終わり、というわけにはいきません。データが変化するのに合わせて、モデルも進化させる必要があります。フィードバックループは、モデルが継続的に学習し、変化するデータに適応し続けるための仕組みです。あなたの心疾患モデルが数か月間プロダクションで稼働していると想像してください。継続的な監視と改善の一環として、現在のモデル性能を評価し、再学習や調整の必要性を判断したいとします。balanced_accuracy_score は sklearn.metrics から、ks_2samp は scipy.stats からインポート済みで、現在の期間における2つのサンプル true_labels_feb と predicted_labels_feb も事前に定義されています。最後に、jan_data_samples と feb_data_samples も読み込まれています。
この演習はコースの一部です
End-to-End Machine Learning
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# 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'}")