酒店预订数据集中的漂移
在上一章中，您计算了用于预测预订取消的模型的业务价值和 ROC AUC 表现。您在生成的图中注意到一些警报，因此需要进一步检查分析数据中是否存在漂移。
在本练习中，您将初始化多变量漂移检测方法，并将其结果与上一章计算的性能结果进行比较。
StandardDeviationThreshold 已经导入，业务价值和 ROC AUC 的结果已存储在变量 perf_results 中，同时 feature_column_names 也已定义。
本练习是课程的一部分
Python 中的机器学习监控
练习说明
- 初始化
StandardDeviationThreshold方法，并将std_lower_multiplier设为2、std_upper_multiplier参数设为1。 - 添加以下特征名称：
country、lead_time、parking_spaces和hotel。保持其原有顺序。 - 将之前定义的阈值和特征名称传递给
DataReconstructionDriftCalculator。 - 显示包含多变量漂移检测结果（
mv_results）和性能结果（perf_results）的对比图。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Create standard deviation thresholds
stdt = StandardDeviationThreshold(____=____, ____=____)
# Define feature columns
feature_column_names = [____, ____, ____, ____]
# Intialize, fit, and show results of multivariate drift calculator
mv_calc = nannyml.DataReconstructionDriftCalculator(
column_names=____,
threshold = ____,
timestamp_column_name='timestamp',
chunk_period='m')
mv_calc.fit(reference)
mv_results = mv_calc.calculate(analysis)
mv_results.filter(period='analysis').____(____).plot().show()