比较估计性能与已实现性能
既然您已经了解了性能计算的工作方式，接下来请为 NYC 绿色出租车数据集的消费小费预测模型计算已实现性能。
基准集和分析集已加载，并分别保存在 reference 和 analysis 变量中。
此外，来自 DLE 算法的小费预测结果已存储在 estimated_results 变量中。
本练习是课程的一部分
Python 中的机器学习监控
练习说明
- 在计算器初始化时将问题类型指定为
regression。 - 使用基准数据拟合计算器，并为分析集计算性能。
- 使用
compare()方法对比并绘制realized_results与estimated_results。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Intialize the calculator
calculator = nannyml.PerformanceCalculator(
y_true='tip_amount',
y_pred='y_pred',
chunk_period='d',
metrics=['mae'],
timestamp_column_name='lpep_pickup_datetime',
problem_type=____)
# Fit the calculator
calculator.fit(____)
realized_results = calculator.____(____)
# Show comparison plot for realized and estimated performance
____.____(____).plot().show()