Jednowymiarowe wykrywanie dryftu dla zbioru danych z rezerwacjami hotelowymi
W poprzednich ćwiczeniach, korzystając z wielowymiarowej metody wykrywania dryftu, ustaliliśmy, że przesunięcie danych w styczniu odpowiada za alert w metryce ROC AUC i negatywną wartość biznesową modelu.
W tym ćwiczeniu użyjesz jednowymiarowej metody wykrywania dryftu, aby znaleźć cechę odpowiedzialną za dryft i wyjaśnić jego przyczynę.
Zbiory reference i analysis są już wczytane i gotowe do użycia.
To ćwiczenie jest częścią kursu
Monitorowanie uczenia maszynowego w Pythonie
Instrukcje do ćwiczenia
- Wskaż metody Wassersteina i Jensena-Shannona dla zmiennych ciągłych oraz L-nieskończoność i Chi2 dla zmiennych kategorycznych.
- Dopasuj model do zbioru referencyjnego i oblicz wyniki na zbiorze analitycznym.
- Zwizualizuj wyniki.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Intialize the univariate drift calculator
uv_calc = nannyml.UnivariateDriftCalculator(
column_names=feature_column_names,
timestamp_column_name='timestamp',
chunk_period='m',
continuous_methods=[____, ____],
categorical_methods=[____, ____],
)
# Plot the results
uv_calc.____(reference)
uv_results = uv_calc.____(analysis)
____.____().____()