Виявлення багатовимірного дрейфу

Моніторинг Machine Learning у Python

Hakim Elakhrass

CEO and co-founder

Що таке виявлення багатовимірного дрейфу?

  • Перший крок аналізу першопричини
  • Результат — одне число для всіх ознак
  • Виявляє тонкі зміни в даних

Зображено конвеєр моніторингу та місце, де розташоване виявлення багатовимірного дрейфу.

Моніторинг Machine Learning у Python

Як це працює?

  1. Стиснення даних алгоритмом PCA
  2. Відновлення початкової форми за допомогою оберненого PCA
  3. Вимір помилки реконструкції; її зростання свідчить про дрейф даних

Пояснення роботи виявлення багатовимірного дрейфу.

Моніторинг Machine Learning у Python

Реалізація в коді

# 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)
Моніторинг Machine Learning у Python

Візуалізація результатів

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

Графік помилки реконструкції в часі.

Моніторинг Machine Learning у Python

Багатовимірний дрейф vs фактична продуктивність

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

Порівняльний графік фактичної продуктивності та помилки реконструкції.

Моніторинг Machine Learning у Python

Давайте потренуємось!

Моніторинг Machine Learning у Python

Preparing Video For Download...