Tính ngưỡng và trung bình động
Bạn sẽ theo dõi độ chính xác của dự báo theo thời gian để phát hiện model drift. Bằng cách tính các cửa sổ trượt và xác định một mức ngưỡng để kích hoạt cảnh báo drift, bạn có thể nhận biết khi mô hình lệch khỏi thực tế và cần được huấn luyện lại.
Bạn sẽ dùng 14 dự báo đầu tiên từ fc_log_test để thiết lập ngưỡng, rồi áp dụng nó cho các nhật ký dự báo còn lại. Các nhật ký dự báo fc_log_test và fc_log chứa điểm hiệu năng mô hình đã được nạp sẵn, cùng với pandas dưới bí danh pd.
Bài tập này là một phần của khóa học
Thiết kế Pipeline Dự báo cho Môi trường Production
Hướng dẫn bài tập
- Xác định mức ngưỡng từ
fc_log_testbằng cách cộng ba độ lệch chuẩn vào giá trị trung bình RMSE, lưu thànhrmse_threshold. - Tính trung bình động của RMSE với cửa sổ trượt 7 ngày và 14 ngày cho
fc_log.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Set threshold: mean + 3 standard deviations
rmse_threshold = fc_log_test["____"].mean() + 3 * fc_log_test["____"].____()
# Create rolling window averages for RMSE
fc_log["rmse_ma_7"] = fc_log["rmse"].rolling(window=____).____()
fc_log["rmse_ma_14"] = fc_log["rmse"].rolling(window=____).____()
print(f"RMSE threshold: {round(rmse_threshold, 2)}")
print()
print("Forecast log with rolling averages:")
print(fc_log[["forecast_start", "rmse", "rmse_ma_7", "rmse_ma_14"]].head(20))