Ciclos de feedback
Em aplicações de ML no mundo real, não basta apenas implantar um modelo e esquecê-lo. À medida que os dados evoluem, o modelo também deve evoluir. O ciclo de feedback é uma forma de garantir que o modelo esteja aprendendo continuamente e se adaptando às mudanças nos dados. Imagine que seu modelo de doença cardíaca está em produção há alguns meses. Como parte do monitoramento e da melhoria contínuos, você quer avaliar o desempenho atual do modelo e determinar a necessidade de um possível re-treinamento ou ajustes. balanced_accuracy_score foi importado para você de sklearn.metrics, ks_2samp foi importado de scipy.stats, e duas amostras do modelo true_labels_feb e predicted_labels_feb para o período atual já foram definidas. Por fim, jan_data_samples e feb_data_samples foram carregados.
Este exercício faz parte do curso
Machine Learning de ponta a ponta
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Calculate and print the balanced accuracy of the model
balanced_accuracy_jan = 90.0
balanced_accuracy_feb = ____(____, ____) * 100
print(f"Model Balanced Accuracy In February: {____:.2f}%")
print(f"Is there a decline in accuracy? {'Yes' if ____ < ____ else 'No'}")