İş değeri hesaplama ve tahmin

Python ile Machine Learning İzleme

Maciej Balawejder

Data Scientist

Model iş değeri

Makine öğrenimi modelinin amacı işletmeye değer sağlamaktır.
Modelin iş değeri şu nedenlerle düşebilir:
- Müşteri alışkanlıklarının değişmesi
- Model artık faydalı olmaması

Karmaşıklık matrisi

Görsel, TP, FN, FP ve TN değerleri olan bir karmaşıklık matrisini gösteriyor.

True positive (TP) - model bir rezervasyonun iptal edilmeyeceğini doğru tahmin eder
False positive (FP) - model bir rezervasyonun iptal edilmeyeceğini yanlış tahmin eder
False negative (FN) - model bir rezervasyonun iptal edileceğini yanlış tahmin eder
True negative (TN) - model bir rezervasyonun iptal edileceğini doğru tahmin eder

İş değeri formülü

Görsel, karmaşıklık matrisi ile iş değeri matrisinin çarpımı ve toplamını gösteriyor.

True positive (TP) - değer eklemez veya çıkarmaz.
False positive (FP) - yer değişimi ve indirimlere yol açar, otele 200 $ maliyet.
False negative (FN) - otele 100 $ maliyet; yedek bulunana dek bir gecelik konaklama.
True negative (TN) - 1000 $ değerinde; oda başkasına kiralanabilir.

Etiketler varken

Görsel, etiketler varken model iş değerinin nasıl hesaplandığını gösteriyor.

# Initialize the calculator
calculator = nannyml.PerformanceCalculator(...
    problem_type='classification_binary',
    metrics=['business_value'],
    # [value_of_TN, value_of_FP], [value_of_FN, value_of_TP]]
    business_value_matrix = [[0, -200],[-100, 1000]],
    normalize_business_value='None')

Etiketler yokken

Görsel, etiketler yokken model iş değerinin nasıl tahmin edildiğini gösteriyor.

# Initialize the estimator
estimator = nannyml.CBPE(...
    problem_type='classification_binary',
    metrics=['business_value'],
    # [value_of_TN, value_of_FP], [value_of_FN, value_of_TP]]
    business_value_matrix = [[0, -200],[-100, 1000]],
    normalize_business_value='per_prediction')

Hadi pratik yapalım!

Python ile Machine Learning İzleme