python数据挖掘使用Evidently创建机器学习模型仪表板

小希

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

1. $ pip install evidently

复制代码

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：

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

复制代码

运行

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

复制代码

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。

1. import pandas as pdimport numpy as npfrom sklearn.ensemble import RandomForestRegressorfrom evidently.dashboard import Dashboardfrom evidently.tabs import RegressionPerformanceTabfrom evidently.model_profile import Profilefrom evidently.profile_sections import RegressionPerformanceProfileSection

复制代码

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。

1. 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()

复制代码

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。

1. target = 'cnt'datetime = 'dteday'numerical_features = ['mnth', 'temp', 'atemp', 'hum', 'windspeed']categorical_features = ['season', 'holiday', 'weekday', 'workingday', 'weathersit',]features = numerical_features + categorical_featuresmodel = 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])

复制代码

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。

1. column_mapping = {}column_mapping['target'] = targetcolumn_mapping['prediction'] = 'prediction'column_mapping['datetime'] = datetimecolumn_mapping['numerical_features'] = numerical_featurescolumn_mapping['categorical_features'] = categorical_featuresdashboard = Dashboard(tabs=[RegressionPerformanceTab])dashboard .calculate(ref_data, prod_data, column_mapping=column_mapping)dashboard.save('bike_sharing_demand_model_perfomance.html')

复制代码

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

2)数值目标漂移

检测数值目标和特征行为的变化。

3)分类目标漂移

检测分类目标和特征行为的变化

4)回归模型性能

分析回归模型的性能和模型误差

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

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。

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脚本之家其它相关文章！

来源：http://www.jb51.net/article/229896.htm
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！