Univariat driftdetektering

Övervakning av maskininlärning i Python

Hakim Elakhrass

CEO and co-founder

Vad är univariat driftdetektering?

Bilden visar övervakningsflödet och var den univariata metoden är placerad.

Univariata metoder

Jensen-Shannen-avstånd – både kategoriska och kontinuerliga
Hellinger – kategoriska och kontinuerliga
Wasserstein – endast kontinuerliga
Kolmogorov-Smirnov – endast kontinuerliga
L-infinity – endast kategoriska
Chi2 – endast kategoriska

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

Kodimplementering

# 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()

Filtrering

Baserat på kolumnnamn
Baserat på univariata metoder

# 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()

Rangordning efter antal varningar

Rangordna särdrag efter antal varningar

# 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)

Bilden visar en dataram med information om antal varningar för specifika särdrag.

Korrelationsrangordning

Rangordnar särdrag efter korrelation med absoluta prestandaförändringar

# 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)

Bilden visar en dataram med Pearson-korrelation och p-värde för varje särdrag.

Övervaka särdragsfördelning

Ger bättre insikter och förbättrar förklarbarhet

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

# Show the plots
distribution_results.show()

Fördelningsdiagram för särdrag

Bilden visar fördelningsdiagram för kontinuerliga och kategoriska särdrag.

Nu kör vi en övning!

Övervakning av maskininlärning i Python