Geri bildirim döngüleri
Gerçek dünyadaki ML uygulamalarında, bir modeli dağıtıp unutmak yeterli değildir. Veri değiştikçe model de değişmelidir. Geri bildirim döngüsü, modelin değişen verilere sürekli olarak öğrenmesini ve uyum sağlamasını garanti etmenin bir yoludur. Kalp hastalığı modelinin birkaç aydır üretimde olduğunu hayal et. Sürekli izleme ve iyileştirmenin bir parçası olarak, modelin mevcut performansını değerlendirmek ve yeniden eğitim veya ayarlama gereksinimini belirlemek istiyorsun. balanced_accuracy_score senin için sklearn.metrics içinden, ks_2samp ise scipy.stats içinden içe aktarılmıştır ve mevcut zaman dilimine ait iki örnek true_labels_feb ve predicted_labels_feb önceden tanımlanmıştır. Son olarak jan_data_samples ve feb_data_samples yüklenmiştir.
Bu egzersiz
Uçtan Uca Machine Learning
kursunun bir parçasıdırUygulamalı interaktif egzersiz
Bu örnek kodu tamamlayarak bu egzersizi bitirin.
# Calculate and print the balanced accuracy of the model
balanced_accuracy_jan = 90.0
balanced_accuracy_feb = ____(____, ____) * 100
print(f"Model Balanced Accuracy In February: {____:.2f}%")
print(f"Is there a decline in accuracy? {'Yes' if ____ < ____ else 'No'}")