Visualisera en driftsatt modells utdata över tid
I den här övningen använder du data från två separata månader – januari och februari – för att övervaka förändringar i din hjärtsjukdomsmodells prediktioner över tid. Som du vet är modellen tränad för att utföra en binär klassificering av hjärtsjukdom, och du har loggat modellens prediktioner för dessa två månader.
Antag att loggarna över modellens prediktioner de senaste två månaderna har genererats via Elastic Beanstalk och importerats som pandas DataFrame med namnen logs_january och logs_february, med en kolumn target som innehåller prediktionerna för respektive månad. matplotlib.pyplot har importerats som plt.
Den här övningen är en del av kursen
End-to-End Machine Learning
Övningsinstruktioner
- Visualisera fördelningen av modellens prediktioner i januari och februari över tid genom att rita intilliggande stapeldiagram över modellens
target-prediktioner.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
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()
____.____