Monitorování a vizualizace

Strojové učení od začátku do konce

Joshua Stapleton

Machine Learning Engineer

Co dál?

Trénování, optimalizace, nasazení, predikce... co dál?
Monitorování
- Logování výsledků
- Vizualizace výkonu

Fáze monitorování v životním cyklu strojového učení

Logování v Pythonu

import logging
import matplotlib.pyplot as plt

# Setting up basic logging configuration
logging.basicConfig(filename='predictions.log', level=logging.INFO)

# Make predictions on the test set and log the results
for i in range(X_test.shape[0]):
    instance = X_test[i,:].reshape(1, -1)
    prediction = model.predict(instance)
    logging.info(f'Inst. {i} - PredClass: {prediction[0]}, RealClass: {y_test[i]}')

Logování v Pythonu (pokračování)

# Function to visualize the predictions from log
with open(logfile, 'r') as f:
    lines = f.readlines()
    predicted_classes = [int(line.split("Predicted Class: ")[1].split(",")[0]) \
        for line in lines]

    # Perform data analysis, visualization, etc.
    ...

Sledování výkonu modelu pomocí logování v Pythonu

Vizualizace

Sledování výkonu v čase
Přeměna surových dat vstupů a predikcí na poznatky

import matplotlib.pyplot as plt


# Sample data: Random accuracy values for 12 months
months = ["Jan", "Feb", "Mar", ...]
accuracies = [0.86, 0.91, 0.74, ...]

plt.plot(months, accuracies, '-o')
plt.title("Model Accuracy Over Months")
plt.xlabel("Months")
plt.ylabel("Accuracy")
plt.show()

Příklad vizualizace

Čárový graf zobrazující hypotetickou přesnost modelu za 12 měsíců

Logování

Záznam událostí
- Sledování hodnot proměnných, volání funkcí
- Informace o průběhu a výkonu
Monitorování sleduje:
- Využití, výkon, chyby a anomálie

2023-08-04 09:15:20 [INFO] Model version 1.2.7 started

2023-08-04 09:15:45 [INFO] Preprocessing input data for prediction

2023-08-04 09:15:47 [DEBUG] Input data shape: (1, 12)

2023-08-04 09:15:48 [INFO] Making prediction

2023-08-04 09:15:50 [DEBUG] Output prediction: [0.78]

...

Příklady vizualizace

Vhodná metrika modelu: vyvážená přesnost v čase
Sledování trendů a poklesu výkonu
Zjištění potřeby přetrénování
Výběr vhodných metrik pro daný případ užití

Příklad:

Vyvážená přesnost se mění oproti očekávané reálné hodnotě
Potenciální příznak problému
Vyberte a vyhodnoťte

Vizualizace vyvážené přesnosti modelu

Pojďme si procvičit!

Strojové učení od začátku do konce