Implementera ett övervakningsarbetsflöde
Under kursens gång har du lärt dig om övervakningsarbetsflödet. Det första steget är prestandaövervakning. Om det uppstår negativa förändringar är nästa steg att använda multivariat driftdetektering för att avgöra om drift har orsakat prestandatappet, följt av univariat driftdetektering för att hitta orsaken i enskilda särdrag. När undersökningsresultaten är klara kan du vidta åtgärder för att lösa problemet.
För att befästa den här kunskapen ska du i övningen tillämpa processen på US Census-datamängden. Referens- och analysdatamängderna är förinstansierade, och du har tillgång till CBPE-estimator, den univariata kalkylatorn uv_calc samt alert_count_ranker för rankning av särdragsdrift.
Den här övningen är en del av kursen
Övervakning av maskininlärning i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Estimate the performance
estimator.____(____)
estimated_results = estimator.____(____)
estimated_results.____.____