Виявлення одновимірного дрейфу

Моніторинг Machine Learning у Python

Hakim Elakhrass

CEO and co-founder

Що таке виявлення одновимірного дрейфу?

Зображено процес моніторингу та місце одновимірного методу в ньому.

Одновимірні методи

Відстань Дженсена — Шеннона — категоріальні та неперервні
Хеллінгера — категоріальні та неперервні
Васерштайна — лише неперервні
Колмогорова — Смірнова — лише неперервні
L-infinity — лише категоріальні
Chi2 — лише категоріальні

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

Реалізація коду

# 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()

Фільтрування

За назвами стовпців
За одновимірними методами

# 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()

Ранжування за кількістю сповіщень

Ранжуйте ознаки за кількістю сповіщень

# 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)

Зображено датафрейм із кількістю сповіщень для кожної ознаки.

Ранжування за кореляцією

Ранжує ознаки за кореляцією з абсолютними змінами продуктивності

# 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)

Зображено датафрейм із коефіцієнтом кореляції Пірсона та p-значенням для кожної ознаки.

Моніторинг розподілу ознак

Дає кращі інсайти та підвищує пояснюваність

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

# Show the plots
distribution_results.show()

Графік розподілу ознак

Зображено графіки розподілу для неперервних і категоріальних ознак.

Давайте потренуємось!

Моніторинг Machine Learning у Python