Vòng phản hồi (Feedback loops)
Trong các ứng dụng ML thực tế, triển khai mô hình rồi bỏ mặc là chưa đủ. Dữ liệu thay đổi thì mô hình cũng phải thích ứng theo. Vòng phản hồi là cách đảm bảo mô hình liên tục học hỏi và điều chỉnh trước dữ liệu biến động. Hãy hình dung mô hình dự đoán bệnh tim của bạn đã chạy sản xuất vài tháng. Là một phần của việc giám sát và cải tiến liên tục, bạn muốn đánh giá hiệu năng hiện tại của mô hình và xác định xem có cần huấn luyện lại hoặc điều chỉnh hay không. balanced_accuracy_score đã được import sẵn từ sklearn.metrics, ks_2samp được import từ scipy.stats, và hai mẫu true_labels_feb và predicted_labels_feb của mô hình cho giai đoạn hiện tại đã được định nghĩa trước. Cuối cùng, jan_data_samples và feb_data_samples cũng đã được nạp.
Bài tập này là một phần của khóa học
Machine Learning End-to-End
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Calculate and print the balanced accuracy of the model
balanced_accuracy_jan = 90.0
balanced_accuracy_feb = ____(____, ____) * 100
print(f"Model Balanced Accuracy In February: {____:.2f}%")
print(f"Is there a decline in accuracy? {'Yes' if ____ < ____ else 'No'}")