Deteksi drift univariat

Pemantauan Machine Learning dengan Python

Hakim Elakhrass

CEO and co-founder

Apa itu deteksi drift univariat?

Gambar menampilkan alur pemantauan dan posisi metode univariat di dalamnya.

Metode univariat

Jarak Jensen–Shannon - kategorikal dan kontinu
Hellinger - kategorikal dan kontinu
Wasserstein - hanya kontinu
Kolmogorov–Smirnov - hanya kontinu
L-infinity - hanya kategorikal
Chi-kuadrat - hanya kategorikal

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

Implementasi kode

# 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()

Penyaringan

Berdasarkan nama kolom
Berdasarkan metode univariat

# 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()

Peringkat berdasarkan jumlah peringatan

Urutkan fitur berdasarkan jumlah peringatan

# 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)

Gambar menampilkan dataframe dengan jumlah peringatan per fitur.

Peringkat korelasi

Mengurutkan fitur berdasarkan korelasi dengan perubahan performa absolut

# 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)

Gambar menampilkan dataframe dengan korelasi Pearson dan p-value untuk tiap fitur.

Memantau distribusi fitur

Memberi wawasan lebih baik dan meningkatkan keterjelasan

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

# Show the plots
distribution_results.show()

Plot distribusi fitur

Gambar menampilkan plot distribusi untuk fitur kontinu dan kategorikal.

Ayo berlatih!

Pemantauan Machine Learning dengan Python