Feedbackloopar
I verkliga ML-tillämpningar räcker det inte att bara driftsätta en modell och sedan glömma den. I takt med att data förändras behöver även modellen uppdateras. En feedbackloop säkerställer att modellen kontinuerligt lär sig och anpassar sig till ny data. Tänk dig att din hjärtsjukdomsmodell har varit i produktion i några månader. Som en del av den löpande övervakningen och förbättringen vill du utvärdera modellens nuvarande prestanda och avgöra om omträning eller justeringar behövs. balanced_accuracy_score är importerat från sklearn.metrics, ks_2samp är importerat från scipy.stats, och två urval av modellens true_labels_feb och predicted_labels_feb för den aktuella tidsperioden har fördefinieras. Slutligen har jan_data_samples och feb_data_samples laddats in.
Den här övningen är en del av kursen
End-to-End Machine Learning
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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'}")