การสร้างเวิร์กโฟลว์การติดตามตรวจสอบ
ตลอดทั้งคอร์สนี้ คุณได้เรียนรู้เกี่ยวกับเวิร์กโฟลว์การติดตามตรวจสอบมาแล้ว โดยขั้นตอนแรกคือการติดตามตรวจสอบประสิทธิภาพ หากพบการเปลี่ยนแปลงในเชิงลบ ขั้นตอนต่อไปคือการตรวจจับ drift แบบ multivariate เพื่อระบุว่า drift เป็นสาเหตุของประสิทธิภาพที่ลดลงหรือไม่ จากนั้นจึงใช้การตรวจจับ drift แบบ univariate เพื่อระบุสาเหตุในระดับฟีเจอร์แต่ละตัว เมื่อได้ผลการวิเคราะห์แล้ว ก็สามารถดำเนินการแก้ไขปัญหาได้
เพื่อให้เข้าใจกระบวนการนี้อย่างแน่นแฟ้น ในแบบฝึกหัดนี้จะได้นำกระบวนการดังกล่าวไปใช้กับชุดข้อมูล US Census ชุดข้อมูล reference และ analysis ถูกโหลดไว้ล่วงหน้าแล้ว และมีสิทธิ์เข้าถึง estimator แบบ CBPE, เครื่องคำนวณ univariate ชื่อ uv_calc และ alert_count_ranker สำหรับการจัดอันดับ drift ของฟีเจอร์
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การติดตามตรวจสอบ Machine Learning ด้วย Python
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# Estimate the performance
estimator.____(____)
estimated_results = estimator.____(____)
estimated_results.____.____