Práce s vypočtenými a odhadovanými výsledky

Monitoring Machine Learning in Python

Maciej Balawejder

Data Scientist

Jak rozdělit data do bloků?

Obrázek zobrazuje tři typy dělení dat: typové, velikostní a početní.

Zadání různých bloků

Obrázek zobrazuje aliasy pro časové dělení dat, které lze předat jako argument parametru období bloku.

# Initialize the algorithm
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
)

Inicializace vlastních prahových hodnot

Prahové hodnoty směrodatné odchylky

Ručně nastavte dolní a horní násobitel směrodatné odchylky

# Standard deviation thresholds
stdt = StandardDeviationThreshold(
    std_lower_multiplier=3, 
    std_upper_multiplier=3
    )

Konstantní prahové hodnoty

Ručně nastavte dolní a horní prahovou hodnotu

# Constant thresholds
ct = ConstantThreshold(
    lower=0.85, 
    upper=0.95
    )

Zadání vlastních prahových hodnot

# Import threshold methods(last slide)
from nannyml.thresholds import ConstantThreshold, StandardDeviationThreshold

# Passing thresholds to the CBPE algorithm
estimator = nannyml.CBPE(...
    metrics = ['roc_auc', 'accuracy'],
    thresholds={'roc_auc': ct, 'accuracy' : stdt}
)

Obrázek zobrazuje grafy odhadovaného výkonu pro metriky ROC AUC a přesnost s vlastními prahovými hodnotami.

Filtrování výsledků

Podle období

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

Podle metrik

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

Obojí

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

Export výsledků do datového rámce

# Export results to dataframe format
results.filter(period='analysis').to_df()

Obrázek zobrazuje výsledky ve formátu datového rámce.

Pojďme procvičovat!

Monitoring Machine Learning in Python