De output van een gedeployed model in de tijd visualiseren
In deze oefening ga je data van twee verschillende maanden — januari en februari — gebruiken om veranderingen in de voorspellingen van je hartziektemodel in de tijd te monitoren. Zoals je weet is je model getraind voor een binaire classificatietaak voor hartziekte, en je hebt de voorspellingen van het model in de logs vastgelegd voor deze twee maanden.
Ga ervan uit dat de logs van de modelvoorspellingen van de afgelopen twee maanden zijn gegenereerd via Elastic Beanstalk en zijn geïmporteerd als pandas DataFrames met de namen logs_january en logs_february, met een target-kolom met de voorspellingen voor die maand. matplotlib.pyplot is geïmporteerd als plt.
Deze oefening maakt deel uit van de cursus
End-to-End Machine Learning
Oefeninstructies
- Visualiseer de verdeling van de voorspellingen van je model in januari en februari in de tijd door aangrenzende staafdiagrammen te plotten van de
target-voorspellingen van het model.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
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()
____.____