Hesaplanan ve tahmini sonuçlarla çalışmak

Python ile Machine Learning İzleme

Maciej Balawejder

Data Scientist

Veri nasıl parçalara ayrılır?

Görüntü; türe, boyuta ve sayıya göre üç parçalama türünü gösteriyor.

Farklı parçaları belirtme

Görüntü, parça dönemi parametresi için argüman olarak verilebilen zamana dayalı takma adları gösteriyor.

# Algoritmayı başlatın
cbpe = nannyml.CBPE(
   problem_type='classification_binary',
   y_pred_proba='predicted_probability',
   y_pred='prediction',
   y_true='employed',
   metrics=['roc_auc'],
   chunk_period='m',
   # chunk_size = 5000, 
   # chunk_number = 10
)

Özel eşikleri başlatma

Standart sapma eşikleri

Alt ve üst standart sapma katsayısını manuel ayarlayın

# Standart sapma eşikleri
stdt = StandardDeviationThreshold(
    std_lower_multiplier=3, 
    std_upper_multiplier=3
    )

Sabit eşikler

Alt ve üst eşik değerlerini manuel ayarlayın

# Sabit eşikler
ct = ConstantThreshold(
    lower=0.85, 
    upper=0.95
    )

Özel eşikleri belirtme

# Eşik yöntemlerini içe aktarın (son slayt)
from nannyml.thresholds import ConstantThreshold, StandardDeviationThreshold

# Eşikleri CBPE algoritmasına geçirme
estimator = nannyml.CBPE(...
    metrics = ['roc_auc', 'accuracy'],
    thresholds={'roc_auc': ct, 'accuracy' : stdt}
)

Görüntü, özel eşiklerle ROC AUC ve accuracy için tahmini performans grafiklerini gösteriyor.

Sonuçları filtreleme

Döneme göre

filtered_results = results.filter(period='analysis')

Metriklere göre

filtered_results = results.filter(metrics=['mae'])

Her ikisi

filtered_results = results.filter(period='analysis', metrics=['mae'])

Sonuçları dataframe’e aktarma

# Sonuçları dataframe formatına aktarın
results.filter(period='analysis').to_df()

Görüntü, sonuçları dataframe formatında gösteriyor.

Haydi pratik yapalım!

Python ile Machine Learning İzleme