Циклы обратной связи
В реальных приложениях машинного обучения недостаточно просто развернуть модель и забыть о ней. По мере изменения данных модель тоже должна развиваться. Цикл обратной связи — это способ обеспечить непрерывное обучение модели и её адаптацию к новым данным. Представьте, что ваша модель диагностики сердечных заболеваний уже несколько месяцев работает в production. В рамках непрерывного мониторинга и улучшения вы хотите оценить текущую производительность модели и определить, нужно ли её переобучить или скорректировать. Функция balanced_accuracy_score импортирована из sklearn.metrics, функция ks_2samp — из scipy.stats, а два набора меток модели true_labels_feb и predicted_labels_feb за текущий период уже заданы. Также загружены jan_data_samples и feb_data_samples.
Это упражнение является частью курса
Сквозное машинное обучение
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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'}")