ПочатиПочніть безкоштовно

Порівняння оціненої та фактичної продуктивності

Тепер, коли ви побачили, як працює обчислення продуктивності, ваше завдання — обчислити фактичну продуктивність для нашої моделі прогнозування чайових у наборі даних про зелене таксі Нью-Йорка (NYC).

Еталонну та аналітичну вибірки вже завантажено та збережено у змінних reference і analysis.

Крім того, результати алгоритму DLE для прогнозування чайових збережено у змінній estimated_results.

Ця вправа є частиною курсу

Моніторинг Machine Learning у Python

Переглянути курс

Інструкції до вправи

  • У ініціалізації калькулятора вкажіть тип задачі як regression.
  • Навчіть калькулятор на еталонних даних і обчисліть продуктивність для аналітичної вибірки.
  • Побудуйте порівняльний графік між realized_results і estimated_results, використовуючи метод compare().

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Intialize the calculator
calculator = nannyml.PerformanceCalculator(
    y_true='tip_amount',
    y_pred='y_pred',
    chunk_period='d',
  	metrics=['mae'],
    timestamp_column_name='lpep_pickup_datetime',
    problem_type=____)

# Fit the calculator
calculator.fit(____)
realized_results = calculator.____(____)

# Show comparison plot for realized and estimated performance
____.____(____).plot().show()
Редагувати та запускати код