datadrift Paquet

Contient des fonctionnalités permettant de détecter si les données d’entraînement du modèle ont dérivé de ses données de scoring.

En Machine Learning, la dérive de données est un changement dans les données d’entrée du modèle qui entraîne une détérioration des performances du modèle. C’est l’une des principales raisons pour lesquelles la précision du modèle se dégrade au fil du temps, de sorte que la surveillance de la dérive des données permet de détecter les problèmes de performance du modèle. Ce package vous permet de détecter les problèmes de dérive de données et d’émettre des alertes.

La classe DataDriftDetector vous permet de configurer un objet d’analyse de données qui peut ensuite être exécuté en tant que tâche pour analyser la dérive des données. Les travaux de dérive de données peuvent être exécutés de manière interactive ou selon une planification. Vous pouvez configurer des alertes lorsque la dérive des données dépasse un seuil à l’aide la classe AlertConfiguration.

Modules

alert_configuration	Contient les fonctionnalités permettant de configurer des alertes en cas de dérive de données dans Azure Machine Learning.
datadriftdetector	Contient les fonctionnalités principales permettant de détecter la dérive de données entre deux jeux de données dans Azure Machine Learning. La dérive de données est mesurée via des jeux de données ou des déploiements, et repose sur l’API Dataset.

Classes

AlertConfiguration	Représente la configuration des alertes pour les travaux de dérive de données. La classe AlertConfiguration permet de définir des alertes configurables (par exemple par e-mail) pour les travaux DataDriftDetector. La configuration d’alertes peut être spécifiée lors de l’utilisation de l’une des méthodes create de la classe DataDriftDetector. Constructeur. Permet de définir des alertes configurables (telles que la messagerie) sur les travaux DataDriftDetector.
DataDriftDetector	Définit une analyse de dérive de données qui peut être utilisée pour exécuter des travaux de dérive de données dans Azure Machine Learning. La classe DataDriftDetector vous permet d’identifier la dérive d’une référence et d’un jeu de données cible donné. Pour créer un objet DataDriftDetector dans un espace de travail, spécifiez directement les jeux de données de référence et cible. Pour plus d’informations, consultez https://aka.ms/datadrift. Constructeur Datadriftdetector. Le constructeur DataDriftDetector est utilisé pour récupérer une représentation cloud d’un objet DataDriftDetector associé à l’espace de travail fourni.
Metric	Représente une métrique renvoyée dans une analyse de dérive de données. La classe Metric est réservée à un usage interne. Utilisez la méthode get_output d’un objet DataDriftDetector pour renvoyer des métriques. Constructeur de métrique.
ModelServingDataset	Représente un jeu de données utilisé en interne lors de la création d’un objet DataDriftDetector basé sur un modèle. Un objet DataDriftDetector basé sur un modèle vous permet de calculer la dérive de données entre le jeu de données de formation d’un modèle et son jeu de données de scoring. Pour créer un objet DataDriftDetector basé sur un modèle, utilisez la méthode <xref:azureml.datadrift.DataDriftDetector.create_from_model>. Constructeur.

Énumérations

MetricType

Définit les types de métriques renvoyées dans une analyse de dérive de données. Utilisez la méthode get_output d’un objet DataDriftDetector pour renvoyer des métriques.