Implementando um fluxo de monitoramento
Ao longo do curso, você aprendeu sobre o fluxo de monitoramento. A primeira etapa é o monitoramento de performance. Se houver mudanças negativas, os próximos passos envolvem a detecção de drift multivariado para identificar se o drift causou a queda de performance, seguida pela detecção de drift univariado para apontar a causa em recursos individuais. Assim que os resultados da investigação estiverem prontos, você pode tomar medidas para resolver o problema.
Para consolidar esse conhecimento, neste exercício você vai aplicar esse processo ao conjunto de dados do US Consensus. Os conjuntos de dados de referência e de análise já estão carregados, e você tem acesso ao estimator CBPE, ao calculador univariado uv_calc e a um alert_count_ranker para ranquear o drift por recurso.
Este exercício faz parte do curso
Monitoramento de Machine Learning em Python
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Estimate the performance
estimator.____(____)
estimated_results = estimator.____(____)
estimated_results.____.____