Kom igångKom igång gratis

Prestandauppskattning för drickspengs-prediktion

I de tidigare övningarna förberedde du ett referens- och analysset för NYC Green Taxi-datamängden. I den här övningen använder du dessa data för att uppskatta modellens prestanda i produktion.

Först måste du initiera DLE-algoritmen med de angivna parametrarna och sedan visualisera resultaten.

Referens- och analyssetet är redan inläst och sparat i variablerna reference och analysis. Dessutom är nannyml redan importerat.

Den här övningen är en del av kursen

Övervakning av maskininlärning i Python

Visa kurs

Övningsinstruktioner

  • Initiera DLE-algoritmen med daglig chunk-period, tip_amount som y_true och MSE som mätvärde.
  • Anpassa reference-setet till DLE-estimatorn, uppskatta prestandan för analyssetet och spara resultatet i variabeln results.
  • Visualisera resultaten med metoderna plot() och show().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

estimator = nannyml.DLE(y_pred='y_pred',
    timestamp_column_name='lpep_pickup_datetime',
    feature_column_names=features,
    chunk_period='d',
    y_true='tip_amount',
    metrics=['mse'])

# Fit the reference data to the DLE algorithm
estimator.____(____)

# Estimate the performance on the analysis data
results = estimator.____(____)

# Plot and show the results
____.____().____()
Redigera och kör kod