亚洲欧美久久精品,亚洲一区二区三区不卡视频,综合久久久久久久

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