NannyML のデータ準備

Pythonで学ぶ機械学習のモニタリング

Hakim Elakhrass

Co-founder and CEO of NannyML

データの読み込み

dataset_name = "green_taxi_dataset.csv"
data = pd.read_csv(dataset_name)
data.head()

画像はデータセットの先頭5行のスクリーンショットです。

データの処理

# Create data partition
data['partition'] = pd.cut(
    data['lpep_pickup_datetime'],
    bins= [pd.to_datetime('2016-12-01'),
           pd.to_datetime('2016-12-08'),
           pd.to_datetime('2016-12-16'),
           pd.to_datetime('2017-01-01')],
    right=False,
    labels= ['train', 'test', 'prod']
)

データの分割

# Target column name
target = 'tip_amount'
# Features column name
features = ["PULocationID", "DOLocationID", "trip_distance", "VendorID", "pickup_time"]

# Train set
X_train = data.loc[data['partition'] == 'train', features]
y_train = data.loc[data['partition'] == 'train', target]

# Test set (later reference set)
X_test = data.loc[data['partition'] == 'test', features]
y_test = data.loc[data['partition'] == 'test', target]

# Production set (later analysis set)
X_prod = data.loc[data['partition'] == 'prod', features]
y_prod = data.loc[data['partition'] == 'prod', target]

モデルの構築

lightgbm で LGBMRegressor を学習
テストセットで評価
モデルをデプロイ

# Training the model
model = LGBMRegressor(random_state=42)
model.fit(X_train, y_train)

# Making predictions
y_pred_train = model.predict(X_train)
y_pred_test = model.predict(X_test)

# Evaluating the model on train and test set
mae_train = MAE(y_train, y_pred_train)
mae_test = MAE(y_test, y_pred_test)

# Deploying the model to production
y_pred_prod = model.predict(X_prod)

参照セットと分析セットの作成

参照期間

テストセットを使用
正解データが必要
ベースライン性能を設定

分析期間

最新の本番データ
正解データは任意
NannyML がデータドリフトと性能を分析

# Creating reference set
reference = X_test.copy() # Test set features
reference['y_pred'] = y_pred_test # Predictions
reference['tip_amount'] = y_test # Labels
reference = reference.join(
    data['lpep_pickup_datetime']) # Timestamp

# Creating analysis set
analysis = X_prod.copy() # Production features
analysis['y_pred'] = y_pred_prod # Predictions
analysis = analysis.join(
    data['lpep_pickup_datetime']) # Timestamp

参照セットの例

タイムスタンプ: 観測発生時刻（任意）
特徴量: モデルに入力する特徴量
モデル出力
- 予測値: モデルの予測スコア
- 予測クラスラベル: しきい値適用後の確率
ターゲット: 正解データを含む

画像は参照セットの先頭5行を示しています。

練習してみましょう！

Pythonで学ぶ機械学習のモニタリング