Pregătirea datelor pentru NannyML

Monitorizarea Machine Learning în Python

Hakim Elakhrass

Co-founder and CEO of NannyML

Încărcarea datelor

dataset_name = "green_taxi_dataset.csv"
data = pd.read_csv(dataset_name)
data.head()

Imaginea este o captură de ecran cu primele cinci rânduri ale setului de date.

Monitorizarea Machine Learning în Python

Procesarea datelor

# Create data partition
data['partition'] = pd.cut(
    data['lpep_pickup_datetime'],
    bins= [pd.to_datetime('2016-12-01'),
           pd.to_datetime('2016-12-08'),
           pd.to_datetime('2016-12-16'),
           pd.to_datetime('2017-01-01')],
    right=False,
    labels= ['train', 'test', 'prod']
)
Monitorizarea Machine Learning în Python

Împărțirea datelor

# Target column name
target = 'tip_amount'
# Features column name
features = ["PULocationID", "DOLocationID", "trip_distance", "VendorID", "pickup_time"]

# Train set
X_train = data.loc[data['partition'] == 'train', features]
y_train = data.loc[data['partition'] == 'train', target]

# Test set (later reference set)
X_test = data.loc[data['partition'] == 'test', features]
y_test = data.loc[data['partition'] == 'test', target]

# Production set (later analysis set)
X_prod = data.loc[data['partition'] == 'prod', features]
y_prod = data.loc[data['partition'] == 'prod', target]
Monitorizarea Machine Learning în Python

Construirea modelului

  • Antrenarea LGBMRegressor cu biblioteca lightgbm
  • Evaluarea modelului pe setul de testare
  • Implementarea modelului
# Training the model
model = LGBMRegressor(random_state=42)
model.fit(X_train, y_train)

# Making predictions
y_pred_train = model.predict(X_train)
y_pred_test = model.predict(X_test)

# Evaluating the model on train and test set
mae_train = MAE(y_train, y_pred_train)
mae_test = MAE(y_test, y_pred_test)

# Deploying the model to production
y_pred_prod = model.predict(X_prod)
Monitorizarea Machine Learning în Python

Crearea seturilor de referință și de analiză

Perioada de referință

  • Utilizează un set de testare

  • Necesită valori reale

  • Stabilește performanța de bază

Perioada de analiză

  • Cele mai recente date de producție

  • Valorile reale sunt opționale

  • NannyML analizează driftul datelor și performanța

# Creating reference set
reference = X_test.copy() # Test set features
reference['y_pred'] = y_pred_test # Predictions
reference['tip_amount'] = y_test # Labels
reference = reference.join(
    data['lpep_pickup_datetime']) # Timestamp

# Creating analysis set
analysis = X_prod.copy() # Production features
analysis['y_pred'] = y_pred_prod # Predictions
analysis = analysis.join(
    data['lpep_pickup_datetime']) # Timestamp
Monitorizarea Machine Learning în Python

Exemplu de set de referință

  • Timestamp - momentul în care a apărut observația (opțional)
  • Caracteristici - caracteristicile introduse în model
  • Rezultatele modelului
    • Predicții - scorul de predicție generat de model
    • Etichete de clasă - scoruri de probabilitate cu prag aplicat
  • Țintă - conține valorile reale

Imaginea prezintă primele cinci rânduri din setul de referință.

Monitorizarea Machine Learning în Python

Să exersăm!

Monitorizarea Machine Learning în Python

Preparing Video For Download...