小费预测的性能估计
在之前的练习中，您已经为 NYC Green Taxi 数据集准备好了参考集和分析集。在本练习中，您将使用这些数据来估计模型在生产环境中的性能。
首先，您需要使用给定的参数初始化 DLE 算法，然后绘制结果。
参考集和分析集已加载并分别保存在变量 reference 和 analysis 中。
另外，nannyml 也已导入。
本练习是课程的一部分
Python 中的机器学习监控
练习说明
- 使用按日分块的周期初始化 DLE 算法，将
tip_amount作为y_true，并使用 MSE 指标。 - 用参考集
reference拟合 DLE 估计器，为分析集估计性能，并将输出保存到变量results中。 - 使用
plot()和show()方法可视化结果。
交互式实操练习
通过完成这段示例代码来试试这个练习。
estimator = nannyml.DLE(y_pred='y_pred',
timestamp_column_name='lpep_pickup_datetime',
feature_column_names=features,
chunk_period='d',
y_true='tip_amount',
metrics=['mse'])
# Fit the reference data to the DLE algorithm
estimator.____(____)
# Estimate the performance on the analysis data
results = estimator.____(____)
# Plot and show the results
____.____().____()