Praca z wynikami obliczonymi i szacowanymi

Monitorowanie uczenia maszynowego w Pythonie

Maciej Balawejder

Data Scientist

Jak podzielić dane na fragmenty?

Obraz przedstawia trzy typy podziału na fragmenty: oparty na typie, rozmiarze i liczbie.

Definiowanie różnych fragmentów

Obraz przedstawia aliasy podziału na fragmenty czasowe, które można przekazać jako argument parametru okresu fragmentu.

# 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
)

Inicjalizacja niestandardowych progów

Progi odchylenia standardowego

Ręczne ustawienie dolnego i górnego mnożnika odchylenia standardowego

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

Progi stałe

Ręczne ustawienie dolnej i górnej wartości progu

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

Definiowanie niestandardowych progów

# 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}
)

Obraz przedstawia wykresy szacowanej wydajności dla metryk ROC AUC i dokładności z niestandardowymi progami.

Filtrowanie wyników

Według okresu

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

Według metryk

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

Oba

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

Eksport wyników do ramki danych

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

Obraz przedstawia wyniki w formacie ramki danych.

Czas na ćwiczenia!

Monitorowanie uczenia maszynowego w Pythonie