反馈回路
在真实的机器学习应用中，把模型部署出去并不代表万事大吉。数据会变化，模型也要随之更新。反馈回路可以确保模型持续学习并适应不断变化的数据。设想您的心脏病预测模型已经上线运行了几个月。作为持续监控与改进的一部分，您希望评估模型当前的表现，并判断是否需要重新训练或进行调整。balanced_accuracy_score 已为您从 sklearn.metrics 导入，ks_2samp 已从 scipy.stats 导入，当前时段的两组样本 true_labels_feb（真实标签）和 predicted_labels_feb（预测标签）也已预定义。最后，jan_data_samples 和 feb_data_samples 已加载完毕。
本练习是课程的一部分
端到端机器学习
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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'}")