Wielowymiarowe wykrywanie driftu

Monitorowanie uczenia maszynowego w Pythonie

Hakim Elakhrass

CEO and co-founder

Czym jest wielowymiarowe wykrywanie driftu?

Pierwszy krok analizy przyczyn źródłowych
Wynik to jedna liczba dla wszystkich cech
Wykrywa subtelne zmiany w danych

Schemat procesu monitorowania z zaznaczonym miejscem wielowymiarowego wykrywania driftu.

Jak to działa?

Kompresja danych algorytmem PCA
Dekompresja danych do pierwotnego kształtu (odwrotne PCA)
Pomiar błędu rekonstrukcji – jego wzrost wskazuje na drift danych

Schemat działania wielowymiarowego wykrywania driftu.

Implementacja w kodzie

# 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)

Wizualizacja wyników

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

Wykres błędu rekonstrukcji w czasie.

Wielowymiarowy drift a zrealizowana wydajność

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

Wykres porównujący zrealizowaną wydajność i błąd rekonstrukcji.

Czas na ćwiczenia!

Monitorowanie uczenia maszynowego w Pythonie