Pętle sprzężenia zwrotnego
W rzeczywistych zastosowaniach uczenia maszynowego samo wdrożenie modelu to za mało – trzeba go stale monitorować i rozwijać. Gdy dane się zmieniają, model powinien nadążać za tymi zmianami. Pętla sprzężenia zwrotnego pozwala zapewnić, że model ciągle się uczy i dostosowuje do nowych danych. Wyobraź sobie, że twój model wykrywania chorób serca działa już od kilku miesięcy w środowisku produkcyjnym. W ramach ciągłego monitorowania i doskonalenia chcesz ocenić jego bieżącą wydajność i zdecydować, czy konieczne jest ponowne trenowanie lub wprowadzenie poprawek. Funkcja balanced_accuracy_score jest już zaimportowana z sklearn.metrics, ks_2samp – z scipy.stats, a dwie próbki: true_labels_feb i predicted_labels_feb dla bieżącego okresu zostały z góry zdefiniowane. Wczytano również jan_data_samples i feb_data_samples.
To ćwiczenie jest częścią kursu
End-to-End Machine Learning
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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'}")