Bekerja dengan hasil terhitung dan terestimasi

Pemantauan Machine Learning dengan Python

Maciej Balawejder

Data Scientist

Bagaimana melakukan chunking data?

Gambar menunjukkan tiga jenis chunking: berbasis tipe, ukuran, dan jumlah.

Menentukan berbagai chunk

Gambar menunjukkan alias chunking berbasis waktu yang dapat diberikan sebagai argumen untuk parameter chunk period.

# Inisialisasi algoritme
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
)

Inisialisasi ambang khusus

Ambang deviasi standar

Atur pengali deviasi standar bawah dan atas secara manual

# Ambang deviasi standar
stdt = StandardDeviationThreshold(
    std_lower_multiplier=3, 
    std_upper_multiplier=3
    )

Ambang konstan

Atur nilai ambang bawah dan atas secara manual

# Ambang konstan
ct = ConstantThreshold(
    lower=0.85, 
    upper=0.95
    )

Menentukan ambang khusus

# Impor metode ambang (slide terakhir)
from nannyml.thresholds import ConstantThreshold, StandardDeviationThreshold

# Memberikan ambang ke algoritme CBPE
estimator = nannyml.CBPE(...
    metrics = ['roc_auc', 'accuracy'],
    thresholds={'roc_auc': ct, 'accuracy' : stdt}
)

Gambar menampilkan plot kinerja terestimasi untuk metrik ROC AUC dan accuracy dengan ambang khusus.

Memfilter hasil

Berdasarkan periode

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

Berdasarkan metrik

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

Keduanya

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

Ekspor hasil ke dataframe

# Ekspor hasil ke format dataframe
results.filter(period='analysis').to_df()

Gambar menampilkan hasil dalam format dataframe.

Ayo berlatih!

Pemantauan Machine Learning dengan Python