回饋循環
在真實世界的 ML 應用中，把模型部署上線後就不再理會是不夠的。隨著資料改變，模型也應該跟著調整。回饋循環能確保模型持續學習並適應變動的資料。想像你的心臟病模型已經在生產環境運行了幾個月。作為持續監控與改進的一部分，你想評估模型目前的效能，並判斷是否需要重新訓練或做出調整。balanced_accuracy_score 已從 sklearn.metrics 匯入，ks_2samp 已從 scipy.stats 匯入，且針對當前期間已預先定義了兩組模型樣本 true_labels_feb 與 predicted_labels_feb。最後，jan_data_samples 與 feb_data_samples 也已載入。
本練習屬於課程
端到端機器學習
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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'}")