Візуалізація результатів розгорнутої моделі з часом
У цій вправі ви використаєте дані за два окремі місяці — січень і лютий — щоб відстежити, як змінюються передбачення вашої моделі захворювань серця з часом. Як ви знаєте, вашу модель натреновано виконувати бінарну класифікацію, і ви зберегли її передбачення в журналах за ці два місяці.
Вважайте, що журнали передбачень моделі за останні два місяці згенеровано через Elastic Beanstalk і імпортовано як датафрейми pandas з назвами logs_january та logs_february, де стовпець target містить передбачення за відповідний місяць. matplotlib.pyplot імпортовано як plt.
Ця вправа є частиною курсу
End-to-End Machine Learning
Інструкції до вправи
- Візуалізуйте розподіл передбачень вашої моделі у січні та лютому в часі, побудувавши суміжні стовпчикові діаграми для передбачень
targetмоделі.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
fig, ax = plt.subplots(1, 2, figsize=(15, 6)) # 1 row, 2 columns
# January Plot
logs_january['____'].____.plot(kind=____, ax=ax[0])
ax[0].set_title('Distribution of Predicted Classes - January')
ax[0].set_xlabel('Class')
ax[0].set_ylabel('Frequency')
# February Plot
logs_february['____'].____.plot(____=____, ax=ax[1])
ax[1].set_title('Distribution of Predicted Classes - February')
ax[1].set_xlabel('Class')
ax[1].set_ylabel('Frequency')
plt.tight_layout()
____.____