Identificando model drift
Agora você vai plotar as pontuações do modelo ao longo do tempo para visualizar quando ocorre drift. Ao adicionar a linha de limite e as janelas móveis de RMSE, você consegue ver como as linhas de erro recentes indicam degradação de desempenho.
O conjunto de dados fc_log, com médias móveis calculadas, rmse_threshold e o Plotly como go, já foi pré-carregado para você.
Este exercício faz parte do curso
Projetando Pipelines de Previsão para Produção
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
p = go.Figure()
# Add RMSE line
p.add_trace(go.Scatter(x=fc_log["forecast_start"], y=fc_log["____"],
mode='lines',
name='RMSE',
line=dict(color='royalblue', width=2)))
# Add the RMSE rolling windows for 7 and 14 days
p.add_trace(go.Scatter(x=fc_log["forecast_start"], y=fc_log["____"],
mode='lines',
name='7 Days MA',
line=dict(color='green', width=2)))
p.add_trace(go.Scatter(x=fc_log["forecast_start"], y=fc_log["____"],
mode='lines',
name='14 Days MA',
line=dict(color='orange', width=2)))
p.add_trace(go.Scatter(x=[fc_log["forecast_start"].min(), fc_log["forecast_start"].max()],
y=[rmse_threshold, rmse_threshold],
name="Threshold",
line=dict(color="red", width=2, dash="dash")))
# Add plot titles and show the plot
p.update_layout(title="Forecast Error Rate Over Time",
xaxis_title="____",
yaxis_title="____",
height=400,
title_x=0.5,
margin=dict(t=50, b=50, l=50, r=50))
p.show()