Zacznij terazZacznij za darmo

Szacowanie wydajności modelu przewidywania napiwków

W poprzednich ćwiczeniach przygotowałeś zbiór referencyjny i analityczny dla zbioru danych NYC Green Taxi. Teraz wykorzystasz te dane do oszacowania wydajności modelu w środowisku produkcyjnym.

Najpierw zainicjuj algorytm DLE z podanymi parametrami, a następnie zwizualizuj wyniki.

Zbiór referencyjny i analityczny jest już wczytany i zapisany w zmiennych reference i analysis. Biblioteka nannyml jest również już zaimportowana.

To ćwiczenie jest częścią kursu

Monitorowanie uczenia maszynowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Zainicjuj algorytm DLE z dziennym okresem podziału na fragmenty, tip_amount jako y_true i metryką MSE.
  • Dopasuj zbiór reference do estymatora DLE, oszacuj wydajność dla zbioru analitycznego i zapisz wynik w zmiennej results.
  • Zwizualizuj wyniki za pomocą metod plot() i show().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

estimator = nannyml.DLE(y_pred='y_pred',
    timestamp_column_name='lpep_pickup_datetime',
    feature_column_names=features,
    chunk_period='d',
    y_true='tip_amount',
    metrics=['mse'])

# Fit the reference data to the DLE algorithm
estimator.____(____)

# Estimate the performance on the analysis data
results = estimator.____(____)

# Plot and show the results
____.____().____()
Edytuj i uruchom kod