ПочатиПочніть безкоштовно

Візуалізація ознак із дрейфом

Після ранжування результатів уніваріантного аналізу ви з'ясували, що дрейф ознак hotel і country найбільше впливає на продуктивність моделі. У цій вправі ви переглянете результати дрейфу та графіки розподілу для цих ознак, щоб визначити першопричину проблеми.

Результати уніваріантного калькулятора дрейфу збережено в змінній uv_results.

Ця вправа є частиною курсу

Моніторинг Machine Learning у Python

Переглянути курс

Інструкції до вправи

  • Встановіть аргумент period у значення analysis для drift_results.
  • Передайте hotel і country до column_names для drift_results.
  • Встановіть аргумент kind у методі .plot() як "drift".
  • Зробіть те саме для distribution_results, але встановіть аргумент kind у методі .plot() як "distribution".

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Filter and create drift plots
drift_results = uv_results.filter(
    period=____,
    column_names=[____, ____]
    ).plot(kind=____)

# Filter and create distribution plots
distribution_results = uv_results.filter(
    period=____,
    column_names=[____, ____]
    ).plot(kind=____)

# Show the plots
drift_results.show()
distribution_results.show()
Редагувати та запускати код