1. Nauka
    2. /
  2. Kursy
    3. /
  3. End-to-End Machine Learning
Connected

ćwiczenie

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.

Instrukcje 1/3

undefined XP
    1
    2
    3
  • Oblicz i wyświetl zrównoważoną dokładność modelu, porównując ją z dokładnością z poprzedniego miesiąca.