Feedbackloops
In real-world ML-toepassingen is het niet genoeg om een model uit te rollen en er daarna niet meer naar om te kijken. Als de data verandert, moet het model dat ook doen. De feedbackloop zorgt ervoor dat het model continu leert en zich aanpast aan veranderende data. Stel je voor dat je hartziektemodel al een paar maanden in productie staat. Als onderdeel van continue monitoring en verbetering wil je de huidige prestaties van het model beoordelen en bepalen of hertraining of aanpassingen nodig zijn. balanced_accuracy_score is voor je geïmporteerd uit sklearn.metrics, ks_2samp is geïmporteerd uit scipy.stats, en twee steekproeven van het model, true_labels_feb en predicted_labels_feb, voor de huidige periode zijn al gedefinieerd. Tot slot zijn jan_data_samples en feb_data_samples geladen.
Deze oefening maakt deel uit van de cursus
End-to-End Machine Learning
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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'}")