Détection de dérive multivariée

Surveiller le Machine Learning en Python

Hakim Elakhrass

CEO and co-founder

Qu'est-ce que la détection de dérive multivariée ?

  • Première étape de l'analyse des causes
  • Un seul indicateur pour toutes les variables
  • Détecte des changements subtils des données

L'image montre le flux de surveillance et l'emplacement de la détection de dérive multivariée.

Surveiller le Machine Learning en Python

Comment ça marche ?

  1. Compression des données avec l'algorithme PCA
  2. Décompression à la forme initiale avec l'inverse de PCA
  3. Mesurer l'erreur de reconstruction : son augmentation indique une dérive

L'image illustre le fonctionnement de la détection de dérive multivariée.

Surveiller le Machine Learning en Python

Implémentation en code

# Initialize multivariate drift detection calculator
mv_calc = nannyml.DataReconstructionDriftCalculator(
    column_names=features_column_names,
    timestamp_column_name='timestamp',
    chunk_period='m'
    )

# Fit and calculate the results
mv_calc.fit(reference)
mv_results = mv_calc.calculate(analysis)
Surveiller le Machine Learning en Python

Visualiser les résultats

mv_figure = mv_results.filter(period='analysis').plot()
mv_figure.show()

Le graphique montre l'erreur de reconstruction dans le temps.

Surveiller le Machine Learning en Python

Dérive multivariée vs performance réalisée

figure = mv_results.filter(period='analysis').compare(perf_results).plot()
figure.show()

Le graphique compare la performance réalisée et l'erreur de reconstruction.

Surveiller le Machine Learning en Python

Passons à la pratique !

Surveiller le Machine Learning en Python

Preparing Video For Download...