Détection de dérive univariée

Surveiller le Machine Learning en Python

Hakim Elakhrass

CEO and co-founder

Qu'est-ce que la détection de dérive univariée ?

L'image illustre le flux de surveillance et l'emplacement de la méthode univariée.

Méthodes univariées

Distance de Jensen–Shannon — catégoriel et continu
Hellinger — catégoriel et continu
Wasserstein — continu seulement
Kolmogorov–Smirnov — continu seulement
L-infinity — catégoriel seulement
Khi-deux — catégoriel seulement

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

Implémentation du code

# 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()

Filtrage

Selon les noms de colonnes
Selon les méthodes univariées

# 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()

Classement par nombre d'alertes

Classer les variables selon le nombre d'alertes

# 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)

L'image montre une trame de données avec le nombre d'alertes par variable.

Classement par corrélation

Classe les variables selon leur corrélation avec les variations absolues de performance

# 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)

L'image montre une trame de données avec la corrélation de Pearson et la valeur p pour chaque variable.

Surveiller la distribution d'une variable

Donne de meilleures pistes et améliore l'explicabilité

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

# Show the plots
distribution_results.show()

Graphique de distribution d'une variable

L'image montre des graphiques de distribution pour des variables continues et catégorielles.

Passons à la pratique !

Surveiller le Machine Learning en Python