Visualizando a saída de um modelo em produção ao longo do tempo
Neste exercício, você vai utilizar dados de dois meses diferentes — janeiro e fevereiro — para monitorar as mudanças nas previsões do seu modelo de doença cardíaca ao longo do tempo. Como você sabe, seu modelo foi treinado para executar uma tarefa de classificação binária de doença cardíaca, e você registrou as previsões do modelo nos logs desses dois meses.
Considere que os logs das previsões do modelo nos últimos dois meses foram gerados pelo Elastic Beanstalk e importados como DataFrames do pandas, chamados logs_january e logs_february, com uma coluna target contendo as previsões daquele mês. matplotlib.pyplot foi importado como plt.
Este exercício faz parte do curso
Machine Learning de ponta a ponta
Instruções do exercício
- Visualize a distribuição das previsões do seu modelo em janeiro e fevereiro ao longo do tempo, traçando gráficos de barras adjacentes das previsões em
targetdo modelo.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
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()
____.____