Univariatne wykrywanie dryftu

Monitorowanie uczenia maszynowego w Pythonie

Hakim Elakhrass

CEO and co-founder

Czym jest univariatne wykrywanie dryftu?

Obraz przedstawia schemat monitorowania i miejsce metody univariatnej w tym procesie.

Metody univariatne

Jensen-Shannon distance – kategoryczne i ciągłe
Hellinger – kategoryczne i ciągłe
Wasserstein – tylko ciągłe
Kołmogorow-Smirnow – tylko ciągłe
L-infinity – tylko kategoryczne
Chi2 – tylko kategoryczne

¹ https://nannyml.readthedocs.io/en/stable/how_it_works/univariate_drift_comparison.html

Implementacja kodu

# Intialize the univariate drift calculator
uv_calc = nannyml.UnivariateDriftCalculator(
    continuous_methods=['wasserstein', 'hellinger'],
    categorical_methods=['jensen_shannon', 'l_infinity', 'chi2'],
    column_names=feature_column_names,
    timestamp_column_name='timestamp',
    chunk_period='d'
    )

# Fit, calculate and plot the results
uv_calc.fit(reference)
uv_results = uv_calc.calculate(analysis)
uv_results.plot().show()

Filtrowanie

Według nazw kolumn
Według metod univariatnych

# Filter the univariate results
filtered_figure = uv_results.filter(column_names=['trip_distance', 'fare_amount'], 
            methods=['jensen_shannon'])

# Plot the filtered results
filtered_figure.show().plot()

Ranker według liczby alertów

Ranking cech według liczby alertów

# Initialize the alert count ranker
alert_count_ranker = nannyml.AlertCountRanker()
alert_count_ranked_results = alert_count_ranker.rank(
    uv_results,
    only_drifting=False)
# Display the results
display(alert_count_ranked_results)

Obraz przedstawia ramkę danych z informacjami o liczbie alertów dla poszczególnych cech.

Ranker korelacyjny

Rankuje cechy według korelacji z bezwzględnymi zmianami wydajności

# Initialize the correlation ranker
correlation_ranker = nannyml.CorrelationRanker()
correlation_ranker.fit(perf_results.filter(period='reference'))
correlation_ranked_results = correlation_ranker.rank(uv_results, perf_results)

# Display the results
display(correlation_ranked_results)

Obraz przedstawia ramkę danych z korelacją Pearsona i wartością p dla każdej cechy.

Monitorowanie rozkładu cechy

Zapewnia lepszy wgląd i poprawia interpretowalność

# Create distribution plots
distribution_results = uv_results.plot(kind='distribution')

# Show the plots
distribution_results.show()

Wykres rozkładu cech

Obraz przedstawia wykresy rozkładu dla cech ciągłych i kategorycznych.

Czas na ćwiczenia!

Monitorowanie uczenia maszynowego w Pythonie