Kom igångKom igång gratis

Univariat driftdetektering för hotellbokningsdatasetet

I de tidigare övningarna fastställde vi med hjälp av den multivariata driftdetekteringsmetoden att dataskiftet i januari är orsaken till varningen i ROC AUC-måttet och modellens negativa affärsvärde.

I den här övningen använder du en univariat driftdetekteringsmetod för att hitta vilket särdrag som ligger bakom driften och förklara varför.

Datamängderna reference och analysis är redan inlästa åt dig.

Den här övningen är en del av kursen

Övervakning av maskininlärning i Python

Visa kurs

Övningsinstruktioner

  • Ange Wasserstein och Jensen-Shannon som metoder för kontinuerliga variabler, samt L-infinity och Chi2 för kategoriska.
  • Anpassa modellen mot referensdata och beräkna resultaten på analysdatamängden.
  • Visualisera resultaten.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Intialize the univariate drift calculator
uv_calc = nannyml.UnivariateDriftCalculator(
    column_names=feature_column_names,
    timestamp_column_name='timestamp',
    chunk_period='m',
    continuous_methods=[____, ____],
    categorical_methods=[____, ____],
)

# Plot the results
uv_calc.____(reference)
uv_results = uv_calc.____(analysis)
____.____().____()
Redigera och kör kod