飯店訂房資料集的單變量漂移偵測
在前面的練習中，我們用多變量漂移偵測方法確認，1 月的資料分佈改變導致了 ROC AUC 指標的警示，以及模型負面的商業價值。
在這個練習中，你會使用單變量漂移偵測方法，找出造成漂移的特徵與原因。
reference 與 analysis 資料集已為你預先載入。
本練習屬於課程
在 Python 中監控 Machine Learning
練習說明
- 對連續型變數指定 Wasserstein 與 Jensen-Shannon 方法；對類別型變數指定 L-infinity 與 Chi2 方法。
- 以 reference 擬合，並在 analysis 資料集上計算結果。
- 繪製結果圖表。
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。
# 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)
____.____().____()