欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

python数据挖掘使用Evidently创建机器学习模型仪表板

程序员文章站 2022-07-07 21:49:51
目录1、安装包2、导入所需的库3、加载数据集4、创建模型5、创建仪表板6、可用报告类型1)数据漂移2)数值目标漂移3)分类目标漂移4)回归模型性能5)分类模型性能6)概率分类模型性能解释机器学习模型是...

解释机器学习模型是一个困难的过程,因为通常大多数模型都是一个黑匣子,我们不知道模型内部发生了什么。创建不同类型的可视化有助于理解模型是如何执行的,但是很少有库可以用来解释模型是如何工作的。

evidently 是一个开源 python 库,用于创建交互式可视化报告、仪表板和 json 配置文件,有助于在验证和预测期间分析机器学习模型。它可以创建 6 种不同类型的报告,这些报告与数据漂移、分类或回归的模型性能等有关。

让我们开始吧

1、安装包

使用 pip 软件包管理器安装,运行

$ pip install evidently

该工具允许在 jupyter notebook 中以及作为单独的html文件构建交互式报告。如果你只想将交互式报告生成为html文件或导出为json配置文件,则安装现已完成。

为了能够在 jupyter notebook 中构建交互式报告,我们使用jupyter nbextension。如果想在 jupyter notebook 中创建报告,那么在安装之后,您应该在 terminal 中运行以下两个命令。

要安装 jupyter nbextion,请运行:

$ jupyter nbextension install --sys-prefix --symlink --overwrite --py evidently

运行

jupyter nbextension enable evidently --py --sys-prefix

有一点需要注意:安装后单次运行就足够了。无需每次都重复最后两个命令。

2、导入所需的库

在这一步中,我们将导入创建ml模型所需的库。我们还将导入用于创建用于分析模型性能的仪表板的库。此外,我们将导入 pandas 以加载数据集。

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

3、加载数据集

在这一步中,我们将加载数据并将其分离为参考数据和预测数据。

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()

python数据挖掘使用Evidently创建机器学习模型仪表板

4、创建模型

在这一步中,我们将创建机器学习模型,对于这个特定的数据集,我们将使用随机森林回归模型。

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])

5、创建仪表板

在这一步中,我们将创建仪表板来解释模型性能并分析模型的不同属性,如 mae、mape、误差分布等。

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')

python数据挖掘使用Evidently创建机器学习模型仪表板

在上图中,可以清楚地看到显示模型性能的报告,可以使用上述代码下载并创建的 html 报告。

6、可用报告类型

1)数据漂移

检测特征分布的变化

python数据挖掘使用Evidently创建机器学习模型仪表板

2)数值目标漂移

检测数值目标和特征行为的变化。

python数据挖掘使用Evidently创建机器学习模型仪表板

3)分类目标漂移

检测分类目标和特征行为的变化

python数据挖掘使用Evidently创建机器学习模型仪表板

4)回归模型性能

分析回归模型的性能和模型误差

python数据挖掘使用Evidently创建机器学习模型仪表板

5)分类模型性能

分析分类模型的性能和错误。适用于二元和多类模型

python数据挖掘使用Evidently创建机器学习模型仪表板

6)概率分类模型性能

分析概率分类模型的性能、模型校准的质量和模型错误。适用于二元和多类模型。

python数据挖掘使用Evidently创建机器学习模型仪表板

以上就是python数据挖掘使用evidently创建机器学习模型仪表板的详细内容,更多关于evidently创建机器学习模型仪表板的资料请关注其它相关文章!