Multivariat driftdetektering

Övervakning av maskininlärning i Python

Hakim Elakhrass

CEO and co-founder

Vad är multivariat driftdetektering?

  • Första steget i rotorsaksanalys
  • Resultatet är ett enda tal för alla särdrag
  • Upptäcker subtila dataförändringar

Bilden visar övervakningsflödet och var den multivariata driftdetekteringen är placerad.

Övervakning av maskininlärning i Python

Hur fungerar det?

  1. Komprimera data med PCA-algoritmen
  2. Dekomprimera data till ursprungsform med invers PCA-algoritm
  3. Mät rekonstruktionsfelet – en ökning indikerar datadrift

Bilden visar hur den multivariata driftdetekteringen fungerar.

Övervakning av maskininlärning i Python

Kodimplementering

# Initialize multivariate drift detection calculator
mv_calc = nannyml.DataReconstructionDriftCalculator(
    column_names=features_column_names,
    timestamp_column_name='timestamp',
    chunk_period='m'
    )

# Fit and calculate the results
mv_calc.fit(reference)
mv_results = mv_calc.calculate(analysis)
Övervakning av maskininlärning i Python

Visualisera resultaten

mv_figure = mv_results.filter(period='analysis').plot()
mv_figure.show()

Bilden visar ett diagram över rekonstruktionsfelet över tid.

Övervakning av maskininlärning i Python

Multivariat drift kontra realiserad prestanda

figure = mv_results.filter(period='analysis').compare(perf_results).plot()
figure.show()

Bilden visar ett jämförelsediagram med realiserad prestanda och rekonstruktionsfel.

Övervakning av maskininlärning i Python

Nu kör vi en övning!

Övervakning av maskininlärning i Python

Preparing Video For Download...