国产片侵犯亲女视频播放_亚洲精品二区_在线免费国产视频_欧美精品一区二区三区在线_少妇久久久_在线观看av不卡

腳本之家,腳本語言編程技術及教程分享平臺!
分類導航

Python|VBS|Ruby|Lua|perl|VBA|Golang|PowerShell|Erlang|autoit|Dos|bat|

香港云服务器
服務器之家 - 腳本之家 - Python - python數據挖掘使用Evidently創建機器學習模型儀表板

python數據挖掘使用Evidently創建機器學習模型儀表板

2022-03-06 00:16Python學習與數據挖掘 Python

在本文中,我們將探索 Evidently 并創建交互式報告/儀表板。有需要的朋友歡迎大家收藏學習,希望能夠有所幫助,祝大家多多進步早日升職加薪

解釋機器學習模型是一個困難的過程,因為通常大多數模型都是一個黑匣子,我們不知道模型內部發生了什么。創建不同類型的可視化有助于理解模型是如何執行的,但是很少有庫可以用來解釋模型是如何工作的。

Evidently 是一個開源 Python 庫,用于創建交互式可視化報告、儀表板和 JSON 配置文件,有助于在驗證和預測期間分析機器學習模型。它可以創建 6 種不同類型的報告,這些報告與數據漂移、分類或回歸的模型性能等有關。

1、安裝包

使用 pip 軟件包管理器安裝,運行

$ pip install evidently

該工具允許在 Jupyter notebook 中以及作為單獨的HTML文件構建交互式報告。如果你只想將交互式報告生成為HTML文件或導出為JSON配置文件,則安裝現已完成。

為了能夠在 Jupyter notebook 中構建交互式報告,我們使用Jupyter nbextension。如果想在 Jupyter notebook 中創建報告,那么在安裝之后,您應該在 terminal 中運行以下兩個命令。

要安裝 jupyter Nbextion,請運行:

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

運行

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

有一點需要注意:安裝后單次運行就足夠了。無需每次都重復最后兩個命令。

 

2、導入所需的庫

在這一步中,我們將導入創建ML模型所需的庫。我們還將導入用于創建用于分析模型性能的儀表板的庫。此外,我們將導入 pandas 以加載數據集。

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、加載數據集

在這一步中,我們將加載數據并將其分離為參考數據和預測數據。

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數據挖掘使用Evidently創建機器學習模型儀表板

 

4、創建模型

在這一步中,我們將創建機器學習模型,對于這個特定的數據集,我們將使用隨機森林回歸模型。

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])

 

5、創建儀表板

在這一步中,我們將創建儀表板來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')

python數據挖掘使用Evidently創建機器學習模型儀表板

在上圖中,可以清楚地看到顯示模型性能的報告,可以使用上述代碼下載并創建的 HTML 報告。

 

6、可用報告類型

1)數據漂移

檢測特征分布的變化

python數據挖掘使用Evidently創建機器學習模型儀表板

2)數值目標漂移

檢測數值目標和特征行為的變化。

python數據挖掘使用Evidently創建機器學習模型儀表板

3)分類目標漂移

檢測分類目標和特征行為的變化

python數據挖掘使用Evidently創建機器學習模型儀表板

4)回歸模型性能

分析回歸模型的性能和模型誤差

python數據挖掘使用Evidently創建機器學習模型儀表板

5)分類模型性能

分析分類模型的性能和錯誤。適用于二元和多類模型

python數據挖掘使用Evidently創建機器學習模型儀表板

6)概率分類模型性能

分析概率分類模型的性能、模型校準的質量和模型錯誤。適用于二元和多類模型。

python數據挖掘使用Evidently創建機器學習模型儀表板

以上就是python數據挖掘使用Evidently創建機器學習模型儀表板的詳細內容,更多關于Evidently創建機器學習模型儀表板的資料請關注服務器之家其它相關文章!

原文鏈接:https://blog.csdn.net/weixin_38037405/article/details/119606663

延伸 · 閱讀

精彩推薦
811
主站蜘蛛池模板: 精品久久久久久久久久久久久久 | 激情久久久久 | 免费啪啪网站 | 国产在线精品一区二区三区 | 国产在线精品一区 | 精品国产欧美一区二区三区成人 | 亚洲免费一区 | 玖玖综合网 | 99热热热| 中文一二区 | 午夜视频在线看 | 精品久久久久久久 | 精品成人一区 | 九九导航| 成人亚洲欧美 | av网址aaa | 欧美a级成人淫片免费看 | 精品天堂 | 欧美日韩网站 | 动漫泳衣美女 | 交视频在线观看国产 | 日本精品一区二区三区在线观看视频 | 91在线观看免费观看 | 成人午夜精品一区二区三区 | 欧美精品综合 | 国产精品高清一区二区 | 免费毛片黄色视频 | av电影免费在线观看 | 精品日韩一区二区 | 可以在线观看的av网站 | 在线观看中文字幕av | 亚洲在线看 | 国产精品不卡在线播放 | 可以在线观看的av网站 | 欧美精品乱码久久久久久按摩 | 在线观看亚洲区 | 性做久久久久久 | 久久99精品久久久久久噜噜 | 国产精品久久久久久久久久久久久久 | 久久久久久久久久久久一区二区 | 碰在线视频|