Wizualizacja wyników wdrożonego modelu na przestrzeni czasu
W tym ćwiczeniu wykorzystasz dane z dwóch oddzielnych miesięcy – stycznia i lutego – aby monitorować zmiany w predykcjach modelu chorób serca na przestrzeni czasu. Jak wiesz, model został wytrenowany do binarnej klasyfikacji chorób serca, a jego predykcje zostały zapisane w logach dla obu miesięcy.
Załóż, że logi predykcji modelu z ostatnich dwóch miesięcy zostały wygenerowane przez Elastic Beanstalk i zaimportowane jako ramki danych pandas o nazwach logs_january i logs_february, z kolumną target zawierającą predykcje dla danego miesiąca. Biblioteka matplotlib.pyplot została zaimportowana jako plt.
To ćwiczenie jest częścią kursu
End-to-End Machine Learning
Instrukcje do ćwiczenia
- Zwizualizuj rozkład predykcji modelu w styczniu i lutym na przestrzeni czasu, tworząc sąsiadujące wykresy słupkowe predykcji
targetmodelu.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
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()
____.____