Qu'est-ce que le décalage des covariables?

Principes de surveillance en Machine Learning

Hakim Elakhrass

Co-founder and CEO of NannyML

Définitions

  • covariables $=$ caractéristiques d'entrée
  • $P(X)$ change
  • la probabilité conditionnelle $P(Y|X)$ reste la même
  • changements dans la distribution conjointe des covariables
Principes de surveillance en Machine Learning

Pourquoi la distribution de probabilité conjointe?

Un graphique illustre des corrélations positives et négatives entre la caractéristique un et la caractéristique deux. La corrélation positive est observée à la semaine 10, en bleu, et la négative à la semaine 16, en rouge.

Principes de surveillance en Machine Learning

Pourquoi le décalage des covariables survient-il?

Raisons possibles du décalage des covariables :

  • Le monde réel n'est pas stationnaire : les tendances évoluent
  • Changements des sources de données : différences entre test et production
  • Évolution du système et de l'environnement
Principes de surveillance en Machine Learning

Comment le décalage des covariables survient-il?

Dynamiques des changements de distribution :

  • Brusque

 

  • Graduel

 

  • Saisonnier

 

L'image illustre un changement brusque de la distribution des données. Au début, des points bleus, puis, après un certain temps, une transition soudaine vers des points rouges.

L'image illustre un changement graduel de la distribution. Au départ, des points bleus qui, avec le temps, passent progressivement au rouge, puis reviennent au bleu.

L'image illustre un changement saisonnier de la distribution : points bleus, transition soudaine vers le rouge, puis retour au bleu. Le cycle se répète, montrant le caractère périodique.

Principes de surveillance en Machine Learning

Comment détecter le décalage des covariables?

Méthode univariée

Distribution des valeurs de production par mois de septembre à mars. Sept distributions au total. De septembre à décembre, elles sont similaires, variations faibles (en bleu). De janvier à mars, elles rétrécissent et la moyenne baisse, changements plus marqués (en rouge).

Méthode multivariée

Flux de détection multivariée du décalage : les données multidimensionnelles sont compressées en espace latent puis décompressées avec une certaine erreur.

1 https://app.datacamp.com/learn/courses/dimensionality-reduction-in-python
Principes de surveillance en Machine Learning

Passons à la pratique !

Principes de surveillance en Machine Learning

Preparing Video For Download...