Уніваріантне виявлення дрейфу для набору даних про бронювання готелів
У попередніх вправах ми за допомогою методу багатовимірного виявлення дрейфу встановили, що зміна даних у січні спричинила сповіщення за метрикою ROC AUC і негативну бізнес-цінність моделі.
У цій вправі ви використаєте уніваріантний метод виявлення дрейфу, щоб знайти ознаку та пояснення, що стоять за дрейфом.
Набори reference і analysis уже попередньо завантажені для вас.
Ця вправа є частиною курсу
Моніторинг Machine Learning у Python
Інструкції до вправи
- Вкажіть методи Wasserstein і Jensen-Shannon для неперервних, а L-infinity та Chi2 — для категоріальних.
- Навчіть на reference і обчисліть результати на analysis.
- Візуалізуйте результати.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Intialize the univariate drift calculator
uv_calc = nannyml.UnivariateDriftCalculator(
column_names=feature_column_names,
timestamp_column_name='timestamp',
chunk_period='m',
continuous_methods=[____, ____],
categorical_methods=[____, ____],
)
# Plot the results
uv_calc.____(reference)
uv_results = uv_calc.____(analysis)
____.____().____()