피드백 루프
실무 Machine Learning 애플리케이션에서는 모델을 배포하고 잊어버리는 것으로 끝나지 않아요. 데이터가 변하면 모델도 함께 진화해야 합니다. 피드백 루프는 모델이 지속적으로 학습하고 변화하는 데이터에 적응하도록 보장하는 방법이에요. 여러분의 심장 질환 모델이 몇 달간 프로덕션에서 운영되었다고 가정해 봅시다. 지속적인 모니터링과 개선의 일환으로, 현재 모델 성능을 평가하고 재학습 또는 조정이 필요한지 판단하려고 합니다. balanced_accuracy_score는 sklearn.metrics에서, ks_2samp는 scipy.stats에서 이미 임포트되어 있으며, 현재 기간에 해당하는 두 샘플 true_labels_feb와 predicted_labels_feb도 미리 정의되어 있어요. 마지막으로 jan_data_samples와 feb_data_samples도 로드되어 있습니다.
이 연습은 강의의 일부입니다
엔드 투 엔드 Machine Learning
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# 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'}")