Цикли зворотного зв'язку
У реальних застосунках ML недостатньо просто розгорнути модель і забути про неї. Дані змінюються — і модель теж має змінюватися. Цикл зворотного зв'язку дає змогу забезпечити безперервне навчання моделі та її адаптацію до нових даних. Уявімо, що ваша модель прогнозування серцевих хвороб працює в продакшені вже кілька місяців. У межах постійного моніторингу та вдосконалення ви хочете оцінити поточну якість моделі та визначити, чи потрібне додаткове перенавчання або коригування. balanced_accuracy_score імпортовано для вас із sklearn.metrics, ks_2samp — із scipy.stats, а також заздалегідь підготовлено дві вибірки міток моделі true_labels_feb і predicted_labels_feb для поточного періоду. Нарешті, завантажено jan_data_samples і feb_data_samples.
Ця вправа є частиною курсу
End-to-End Machine Learning
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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'}")