Evidently AI и кастомные метрики: реализация lift

Evidently AI это библиотека, которая помогает анализировать модели машинного обучения во время проверки или мониторинга продакшена.

Инструмент генерирует интерактивные визуальные отчеты и профили JSON из файлов pandas DataFrame или csv. На данный момент доступно 6 отчетов:

• Data Drift — обнаруживает изменения в распределении фичей
• Numerical Target Drift — обнаруживает изменения числового таргета и поведение фичей
• Categorical Target Drift — обнаруживает изменения в категориального таргета и поведение фичей
• Regression Model Performance — анализирует производительность регрессионной модели и ошибки модели
• Classification Model Performance — анализирует производительность и ошибки модели классификации. Работает как для бинарных, так и для мультиклассовых моделей.
• Probabilistic Classification Model Performance — анализирует производительность модели вероятностной классификации, качество калибровки модели и ошибки модели. Работает как для бинарных, так и для мультиклассовых моделей.

Метрики

Метрика — это компонент, который оценивает определенный аспект качества данных или модели.

Пресет метрик

Пресет метрик — это предварительно созданный отчет, который объединяет метрики для конкретного варианта использования (например, DataDriftPreset, ReгрессияPreset и т. д.).

Как это работает?

Создайте отчет по эталонным и текущим наборам данных

• Reference dataset — это базовый набор данных для сравнения. Это может быть набор данных для обучения или предыдущие данные продакшена.
• Current dataset — второй набор данных, сравниваемый с базовым. Он может содержать самые последние данные продакшена.

Реализация кастомной метрики

Бывают случае в работе, когда необходимо мониторить метрики, которых нет в Evidently. Например, в телекоме очень любят метрику lift. Бизнес её любит и очень хорошо понимает. Подробнее можно про lift метрику можно почитать тут.

Для добавлении новой метрики необходимо сделать две вещи:

• Реализовать метрику
• Добавить визуализацию на plotly — по желанию

Мы пойдем более сложным путем и реализуем метрику сразу в Evidently для того, что бы потом сделать pull request

Куда добавлять:

• /src/evidently/calculations — добавить метрику в зависимости от задачи (классификация, регрессия и т.д.)
• /src/evidently/metrics — добавить код расчета метрики в зависимости от задачи
• /src/evidently/renderers/html_widgets.py — визуализация метрик
• src/evidently/metrics/init.py — инициализируем метрики
• src/evidently/metric_results.py — добавить визуализацию

Код метрики и можно посмотреть в уже принятом pull request

Вызов метрики

#probabilistic binary classification
classification_report = Report(metrics=[
    ClassificationLiftCurve(),
    ClassificationLiftTable(),
])

classification_report.run(reference_data=bcancer_ref, current_data=bcancer_cur)
classification_report