Tek değişkenli sürüklenme tespiti

Python ile Machine Learning İzleme

Hakim Elakhrass

CEO and co-founder

Tek değişkenli sürüklenme nedir?

Görsel, izleme iş akışını ve tek değişkenli yöntemin konumunu gösteriyor.

Tek değişkenli yöntemler

Jensen–Shannon mesafesi - kategorik ve sürekli
Hellinger - kategorik ve sürekli
Wasserstein - yalnızca sürekli
Kolmogorov–Smirnov - yalnızca sürekli
L-infinity - yalnızca kategorik
Ki-kare (Chi2) - yalnızca kategorik

¹ https://nannyml.readthedocs.io/en/stable/how_it_works/univariate_drift_comparison.html

Kod uygulaması

# Intialize the univariate drift calculator
uv_calc = nannyml.UnivariateDriftCalculator(
    continuous_methods=['wasserstein', 'hellinger'],
    categorical_methods=['jensen_shannon', 'l_infinity', 'chi2'],
    column_names=feature_column_names,
    timestamp_column_name='timestamp',
    chunk_period='d'
    )

# Fit, calculate and plot the results
uv_calc.fit(reference)
uv_results = uv_calc.calculate(analysis)
uv_results.plot().show()

Filtreleme

Sütun adlarına göre
Tek değişkenli yöntemlere göre

# Filter the univariate results
filtered_figure = uv_results.filter(column_names=['trip_distance', 'fare_amount'], 
            methods=['jensen_shannon'])

# Plot the filtered results
filtered_figure.show().plot()

Uyarı sayısı sıralayıcısı

Uyarı sayısına göre özellikleri sıralayın

# Initialize the alert count ranker
alert_count_ranker = nannyml.AlertCountRanker()
alert_count_ranked_results = alert_count_ranker.rank(
    uv_results,
    only_drifting=False)
# Display the results
display(alert_count_ranked_results)

Görsel, belirli bir özellik için uyarı sayısını içeren veri çerçevesini gösteriyor.

Korelasyon sıralayıcısı

Özellikleri performanstaki mutlak değişimle korelasyonuna göre sıralar

# Initialize the correlation ranker
correlation_ranker = nannyml.CorrelationRanker()
correlation_ranker.fit(perf_results.filter(period='reference'))
correlation_ranked_results = correlation_ranker.rank(uv_results, perf_results)

# Display the results
display(correlation_ranked_results)

Görsel, her özellik için pearson korelasyonu ve p-değerini içeren veri çerçevesini gösteriyor.

Özellik dağılımını izleme

Daha iyi içgörü ve açıklanabilirlik sağlar

# Create distribution plots
distribution_results = uv_results.plot(kind='distribution')

# Show the plots
distribution_results.show()

Özellik dağılım grafiği

Görsel, sürekli ve kategorik özellikler için dağılım grafiklerini gösteriyor.

Hadi pratik yapalım!

Python ile Machine Learning İzleme