Arbeta med beräknade och uppskattade resultat

Övervakning av maskininlärning i Python

Maciej Balawejder

Data Scientist

Hur delar man upp data i chunks?

Bilden visar tre typer av chunking: typbaserad, storleksbaserad och antalsbaserad.

Ange olika chunks

Bilden visar tidsbaserade chunking-alias som kan skickas som argument till parametern för chunk-period.

# Initialize the algorithm
cbpe = nannyml.CBPE(
   problem_type='classification_binary',
   y_pred_proba='predicted_probability',
   y_pred='prediction',
   y_true='employed',
   metrics=['roc_auc'],
   chunk_period='m',
   # chunk_size = 5000, 
   # chunk_number = 10
)

Initialisera anpassade gränsvärden

Standardavvikelsegränser

Ange nedre och övre multiplikator för standardavvikelse manuellt

# Standard deviation thresholds
stdt = StandardDeviationThreshold(
    std_lower_multiplier=3, 
    std_upper_multiplier=3
    )

Konstanta gränsvärden

Ange nedre och övre gränsvärde manuellt

# Constant thresholds
ct = ConstantThreshold(
    lower=0.85, 
    upper=0.95
    )

Ange anpassade gränsvärden

# Import threshold methods(last slide)
from nannyml.thresholds import ConstantThreshold, StandardDeviationThreshold

# Passing thresholds to the CBPE algorithm
estimator = nannyml.CBPE(...
    metrics = ['roc_auc', 'accuracy'],
    thresholds={'roc_auc': ct, 'accuracy' : stdt}
)

Bilden visar uppskattade prestandadiagram för ROC AUC och accuracy med anpassade gränsvärden.

Filtrera resultat

Efter period

filtered_results = results.filter(period='analysis')

Efter mätvärden

filtered_results = results.filter(metrics=['mae'])

Båda

filtered_results = results.filter(period='analysis', metrics=['mae'])

Exportera resultat till dataframe

# Export results to dataframe format
results.filter(period='analysis').to_df()

Bilden visar resultaten i dataframe-format.

Nu kör vi en övning!

Övervakning av maskininlärning i Python