Multivariátní detekce driftu

Monitoring Machine Learning in Python

Hakim Elakhrass

CEO and co-founder

Co je multivariátní detekce driftu?

  • První krok analýzy příčin
  • Výsledkem je jediné číslo pro všechny příznaky
  • Detekuje jemné změny v datech

Obrázek ukazuje monitorovací workflow a umístění multivariátní detekce driftu v něm.

Monitoring Machine Learning in Python

Jak to funguje?

  1. Komprese dat pomocí algoritmu PCA
  2. Dekomprese dat do původního tvaru pomocí inverzního PCA
  3. Měření rekonstrukční chyby – její nárůst indikuje datový drift

Obrázek ukazuje, jak funguje multivariátní detekce driftu.

Monitoring Machine Learning in Python

Implementace v kódu

# Initialize multivariate drift detection calculator
mv_calc = nannyml.DataReconstructionDriftCalculator(
    column_names=features_column_names,
    timestamp_column_name='timestamp',
    chunk_period='m'
    )

# Fit and calculate the results
mv_calc.fit(reference)
mv_results = mv_calc.calculate(analysis)
Monitoring Machine Learning in Python

Vizualizace výsledků

mv_figure = mv_results.filter(period='analysis').plot()
mv_figure.show()

Obrázek ukazuje graf rekonstrukční chyby v čase.

Monitoring Machine Learning in Python

Multivariátní drift vs. realizovaný výkon

figure = mv_results.filter(period='analysis').compare(perf_results).plot()
figure.show()

Obrázek ukazuje srovnávací graf s realizovaným výkonem a rekonstrukční chybou.

Monitoring Machine Learning in Python

Pojďme cvičit!

Monitoring Machine Learning in Python

Preparing Video For Download...