您好,登錄后才能下訂單哦!
這篇文章主要講解了“python怎么使用Evidently創(chuàng)建機(jī)器學(xué)習(xí)模型儀表板”,文中的講解內(nèi)容簡(jiǎn)單清晰,易于學(xué)習(xí)與理解,下面請(qǐng)大家跟著小編的思路慢慢深入,一起來(lái)研究和學(xué)習(xí)“python怎么使用Evidently創(chuàng)建機(jī)器學(xué)習(xí)模型儀表板”吧!
解釋機(jī)器學(xué)習(xí)模型是一個(gè)困難的過(guò)程,因?yàn)橥ǔ4蠖鄶?shù)模型都是一個(gè)黑匣子,我們不知道模型內(nèi)部發(fā)生了什么。創(chuàng)建不同類型的可視化有助于理解模型是如何執(zhí)行的,但是很少有庫(kù)可以用來(lái)解釋模型是如何工作的。
Evidently 是一個(gè)開(kāi)源 Python 庫(kù),用于創(chuàng)建交互式可視化報(bào)告、儀表板和 JSON 配置文件,有助于在驗(yàn)證和預(yù)測(cè)期間分析機(jī)器學(xué)習(xí)模型。它可以創(chuàng)建 6 種不同類型的報(bào)告,這些報(bào)告與數(shù)據(jù)漂移、分類或回歸的模型性能等有關(guān)。
使用 pip 軟件包管理器安裝,運(yùn)行
$ pip install evidently
該工具允許在 Jupyter notebook 中以及作為單獨(dú)的HTML文件構(gòu)建交互式報(bào)告。如果你只想將交互式報(bào)告生成為HTML文件或?qū)С鰹镴SON配置文件,則安裝現(xiàn)已完成。
為了能夠在 Jupyter notebook 中構(gòu)建交互式報(bào)告,我們使用Jupyter nbextension。如果想在 Jupyter notebook 中創(chuàng)建報(bào)告,那么在安裝之后,您應(yīng)該在 terminal 中運(yùn)行以下兩個(gè)命令。
要安裝 jupyter Nbextion,請(qǐng)運(yùn)行:
$ jupyter nbextension install --sys-prefix --symlink --overwrite --py evidently
運(yùn)行
jupyter nbextension enable evidently --py --sys-prefix
有一點(diǎn)需要注意:安裝后單次運(yùn)行就足夠了。無(wú)需每次都重復(fù)最后兩個(gè)命令。
在這一步中,我們將導(dǎo)入創(chuàng)建ML模型所需的庫(kù)。我們還將導(dǎo)入用于創(chuàng)建用于分析模型性能的儀表板的庫(kù)。此外,我們將導(dǎo)入 pandas 以加載數(shù)據(jù)集。
import pandas as pd import numpy as np from sklearn.ensemble import RandomForestRegressor from evidently.dashboard import Dashboard from evidently.tabs import RegressionPerformanceTab from evidently.model_profile import Profile from evidently.profile_sections import RegressionPerformanceProfileSection
在這一步中,我們將加載數(shù)據(jù)并將其分離為參考數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)。
raw_data = pd.read_csv('/content/day.csv', header = 0, sep = ',', parse_dates=['dteday']) ref_data = raw_data[:120] prod_data = raw_data[120:150] ref_data.head()
在這一步中,我們將創(chuàng)建機(jī)器學(xué)習(xí)模型,對(duì)于這個(gè)特定的數(shù)據(jù)集,我們將使用隨機(jī)森林回歸模型。
target = 'cnt' datetime = 'dteday' numerical_features = ['mnth', 'temp', 'atemp', 'hum', 'windspeed'] categorical_features = ['season', 'holiday', 'weekday', 'workingday', 'weathersit',] features = numerical_features + categorical_features model = RandomForestRegressor(random_state = 0) model.fit(ref_data[features], ref_data[target]) ref_data['prediction'] = model.predict(ref_data[features]) prod_data['prediction'] = model.predict(prod_data[features])
在這一步中,我們將創(chuàng)建儀表板來(lái)解釋模型性能并分析模型的不同屬性,如 MAE、MAPE、誤差分布等。
column_mapping = {} column_mapping['target'] = target column_mapping['prediction'] = 'prediction' column_mapping['datetime'] = datetime column_mapping['numerical_features'] = numerical_features column_mapping['categorical_features'] = categorical_features dashboard = Dashboard(tabs=[RegressionPerformanceTab]) dashboard .calculate(ref_data, prod_data, column_mapping=column_mapping) dashboard.save('bike_sharing_demand_model_perfomance.html')
在上圖中,可以清楚地看到顯示模型性能的報(bào)告,可以使用上述代碼下載并創(chuàng)建的 HTML 報(bào)告。
檢測(cè)特征分布的變化
檢測(cè)數(shù)值目標(biāo)和特征行為的變化。
檢測(cè)分類目標(biāo)和特征行為的變化
分析回歸模型的性能和模型誤差
分析分類模型的性能和錯(cuò)誤。適用于二元和多類模型
分析概率分類模型的性能、模型校準(zhǔn)的質(zhì)量和模型錯(cuò)誤。適用于二元和多類模型。
感謝各位的閱讀,以上就是“python怎么使用Evidently創(chuàng)建機(jī)器學(xué)習(xí)模型儀表板”的內(nèi)容了,經(jīng)過(guò)本文的學(xué)習(xí)后,相信大家對(duì)python怎么使用Evidently創(chuàng)建機(jī)器學(xué)習(xí)模型儀表板這一問(wèn)題有了更深刻的體會(huì),具體使用情況還需要大家實(shí)踐驗(yàn)證。這里是億速云,小編將為大家推送更多相關(guān)知識(shí)點(diǎn)的文章,歡迎關(guān)注!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。