Monitoraggio di disallineamenti e deviazioni delle caratteristiche

Questa pagina descrive come creare, gestire e interpretare i risultati dei job di Model Monitoring per i modelli di cui è stato eseguito il deployment negli endpoint di previsione online. Il monitoraggio dei modelli di Gemini Enterprise Agent Platform supporta il rilevamento di disallineamento e deviazione delle caratteristiche per le caratteristiche di input categoriche e numeriche.

Quando viene eseguito il deployment di un modello in produzione con il monitoraggio del modello abilitato, le richieste di previsione in entrata vengono registrate in una tabella BigQuery nel tuo progetto Cloud de Confiance . I valori delle caratteristiche di input contenuti nelle richieste registrate vengono quindi analizzati per rilevare eventuali deviazioni o sfasamenti.

Puoi attivare il rilevamento del disallineamento se fornisci il set di dati di addestramento originale per il tuo modello; in caso contrario, devi attivare il rilevamento della deviazione. Per saperne di più, consulta Introduzione a Gemini Enterprise Agent Platform Model Monitoring.

Prerequisiti

Per utilizzare Model Monitoring, completa i seguenti passaggi:

  1. Disporre di un modello disponibile in Agent Platform di tipo AutoML tabulare o addestramento personalizzato tabulare importato.

    • Se utilizzi un endpoint esistente, assicurati che tutti i modelli di cui è stato eseguito il deployment nell'endpoint siano di tipo AutoML tabulare o di addestramento personalizzato importato.

  2. Se attivi il rilevamento della deviazione, carica i dati di addestramento su Cloud Storage o BigQuery e ottieni il link URI ai dati. Per il rilevamento della deviazione, i dati di addestramento non sono obbligatori.

  3. (Facoltativo) Per i modelli con addestramento personalizzato, carica lo schema dell'istanza di analisi per il tuo modello su Cloud Storage. Model Monitoring richiede lo schema per avviare il processo di monitoraggio e calcolare la distribuzione di riferimento per il rilevamento del disallineamento. Se non fornisci lo schema durante la creazione del job, questo rimane in stato di attesa finché Model Monitoring non riesce ad analizzare automaticamente lo schema dalle prime 1000 richieste di previsione ricevute dal modello.

Crea un job di Monitoraggio del modello

Per configurare il rilevamento di disallineamenti o deviazioni, crea un job di monitoraggio del deployment dei modelli:

Console

Per creare un job di monitoraggio del deployment del modello utilizzando la console Cloud de Confiance , crea un endpoint:

  1. Nella console Cloud de Confiance , vai alla pagina Endpoint della piattaforma agente.

    Vai a Endpoint

  2. Fai clic su Crea endpoint.

  3. Nel riquadro Nuovo endpoint, assegna un nome all'endpoint e imposta una regione.

  4. Fai clic su Continua.

  5. Nel campo Nome modello, seleziona un modello di addestramento personalizzato o AutoML tabulare importato.

  6. Nel campo Versione, seleziona una versione per il modello.

  7. Fai clic su Continua.

  8. Nel riquadro Monitoraggio del modello, assicurati che l'opzione Abilita il monitoraggio del modello per questo endpoint sia attivata. Tutte le impostazioni di monitoraggio configurate si applicano a tutti i modelli di cui è stato eseguito il deployment nell'endpoint.

  9. Inserisci un nome visualizzato del job di monitoraggio.

  10. Inserisci una Durata della finestra di monitoraggio.

  11. In Email di notifica, inserisci uno o più indirizzi email separati da virgole per ricevere avvisi quando un modello supera una soglia di avviso.

  12. (Facoltativo) Per Canali di notifica, aggiungi canali Cloud Monitoring per ricevere avvisi quando un modello supera una soglia di avviso. Puoi selezionare i canali Cloud Monitoring esistenti o crearne uno nuovo facendo clic su Gestisci canali di notifica. La console supporta i canali di notifica PagerDuty, Slack e Pub/Sub.

  13. Inserisci una Frequenza di campionamento.

  14. (Facoltativo) Inserisci lo Schema di input di previsione e lo Schema di input di analisi.

  15. Fai clic su Continua. Si apre il riquadro Obiettivo monitoraggio, con le opzioni per il rilevamento di disallineamento o deviazione:

    Rilevamento del disallineamento

    1. Seleziona Rilevamento del disallineamento addestramento/produzione.
    2. In Origine dati di addestramento, fornisci un'origine dati di addestramento.
    3. In Colonna target, inserisci il nome della colonna nei dati di addestramento che il modello è addestrato a prevedere. Questo campo è escluso dall'analisi di monitoraggio.
    4. (Facoltativo) In Soglie di avviso, specifica le soglie per l'attivazione degli avvisi. Per informazioni su come formattare le soglie, tieni il puntatore del mouse sull'icona della guida.
    5. Fai clic su Crea.

    Rilevamento della deviazione

    1. Seleziona Rilevamento della deviazione della previsione.
    2. (Facoltativo) In Soglie di avviso, specifica le soglie per l'attivazione degli avvisi. Per informazioni su come formattare le soglie, tieni il puntatore del mouse sull'icona della guida.
    3. Fai clic su Crea.

gcloud

Per creare un job di monitoraggio del deployment del modello utilizzando gcloud CLI, esegui prima il deployment del modello in un endpoint:

Una configurazione del job di monitoraggio si applica a tutti i modelli di cui è stato eseguito il deployment in un endpoint.

Esegui il comando gcloud ai model-monitoring-jobs create.

gcloud ai model-monitoring-jobs create \
  --project=PROJECT_ID \
  --region=REGION \
  --display-name=MONITORING_JOB_NAME \
  --emails=EMAIL_ADDRESS_1,EMAIL_ADDRESS_2 \
  --endpoint=ENDPOINT_ID \
  [--feature-thresholds=FEATURE_1=THRESHOLD_1, FEATURE_2=THRESHOLD_2] \
  [--prediction-sampling-rate=SAMPLING_RATE] \
  [--monitoring-frequency=MONITORING_FREQUENCY] \
  [--analysis-instance-schema=ANALYSIS_INSTANCE_SCHEMA] \
  --target-field=TARGET_FIELD \
  --bigquery-uri=BIGQUERY_URI

dove:

  • PROJECT_ID è l'ID del tuo progetto Cloud de Confiance . Ad esempio, my-project.

  • REGION è la località del job di monitoraggio. Ad esempio, us-central1.

  • MONITORING_JOB_NAME è il nome del job di monitoraggio. Ad esempio, my-job.

  • EMAIL_ADDRESS è l'indirizzo email a cui vuoi ricevere gli avvisi di Model Monitoring. Ad esempio, example@example.com.

  • ENDPOINT_ID è l'ID dell'endpoint in cui è stato eseguito il deployment del modello. Ad esempio, 1234567890987654321.

  • (Facoltativo) FEATURE_1=THRESHOLD_1 è la soglia di avviso per ogni caratteristica che vuoi monitorare. Ad esempio, se specifichi Age=0.4, Model Monitoring registra un avviso quando la distanza statistica tra le distribuzioni di input e di riferimento per la caratteristica Age supera 0,4. Per impostazione predefinita, ogni caratteristica categorica e numerica viene monitorata con valori di soglia pari a 0,3.

  • (Facoltativo) SAMPLING_RATE è la frazione delle richieste di previsione in arrivo che vuoi registrare. Ad esempio, 0.5. Se non viene specificato, Model Monitoring registra tutte le richieste di previsione.

  • (Facoltativo) MONITORING_FREQUENCY è la frequenza con cui vuoi che il job di monitoraggio venga eseguito sugli input registrati di recente. La granularità minima è 1 ora. Il valore predefinito è 24 ore. Ad esempio, 2.

  • (Facoltativo) ANALYSIS_INSTANCE_SCHEMA è l'URI Cloud Storage del file di schema che descrive il formato dei dati di input. Ad esempio, gs://test-bucket/schema.yaml.

  • (obbligatorio solo per il rilevamento del disallineamento) TARGET_FIELD è il campo previsto dal modello. Questo campo è escluso dall'analisi del monitoraggio. Ad esempio, housing-price.

  • (obbligatorio solo per il rilevamento dello sfasamento) BIGQUERY_URI è il link al set di dati di addestramento archiviato in BigQuery, utilizzando il seguente formato:

    bq://\PROJECT.\DATASET.\TABLE

    Ad esempio, bq://\my-project.\housing-data.\san-francisco.

    Puoi sostituire il flag bigquery-uri con link alternativi al tuo set di dati di addestramento:

    • Per un file CSV archiviato in un bucket Cloud Storage, utilizza --data-format=csv --gcs-uris=gs://BUCKET_NAME/OBJECT_NAME.

    • Per un file TFRecord archiviato in un bucket Cloud Storage, utilizza --data-format=tf-record --gcs-uris=gs://BUCKET_NAME/OBJECT_NAME.

    • Per un set di dati tabulare gestito da AutoML, utilizza --dataset=DATASET_ID.

SDK Python

Per informazioni sul flusso di lavoro end-to-end completo dell'API Monitoring dei modelli, consulta il blocco note di esempio.

API REST

  1. Se non l'hai ancora fatto, esegui il deployment del modello in un endpoint. Durante il passaggio Recupera l'ID endpoint nelle istruzioni di deployment del modello, prendi nota del valore deployedModels.id nella risposta JSON per un utilizzo successivo:

  2. Crea una richiesta di job di monitoraggio del modello. Le istruzioni riportate di seguito mostrano come creare un job di monitoraggio di base per il rilevamento della deviazione. Per personalizzare la richiesta JSON, consulta il riferimento per i job di monitoraggio.

    Prima di utilizzare i dati della richiesta, apporta le sostituzioni seguenti:

    • PROJECT_ID: l'ID del tuo progetto Cloud de Confiance . Ad esempio: my-project.
    • LOCATION: la località del job di monitoraggio. Ad esempio, us-central1.
    • MONITORING_JOB_NAME: il nome del job di monitoraggio. Ad esempio: my-job.
    • PROJECT_NUMBER: il numero del tuo progetto Cloud de Confiance . Ad esempio: 1234567890.
    • ENDPOINT_ID è l'ID dell'endpoint in cui è stato eseguito il deployment del modello. Ad esempio: 1234567890.
    • DEPLOYED_MODEL_ID: l'ID del modello di cui è stato eseguito il deployment.
    • FEATURE:VALUE è la soglia di avviso per ogni caratteristica che vuoi monitorare. Ad esempio, se specifichi "Age": {"value": 0.4}, Model Monitoring registra un avviso quando la distanza statistica tra le distribuzioni di input e di riferimento per la caratteristica Age supera 0,4. Per impostazione predefinita, ogni caratteristica categorica e numerica viene monitorata con valori di soglia pari a 0,3.
    • EMAIL_ADDRESS: l'indirizzo email in cui vuoi ricevere gli avvisi di Model Monitoring. Ad esempio, example@example.com.
    • NOTIFICATION_CHANNELS: un elenco di canali di notifica di Cloud Monitoring da cui vuoi ricevere avvisi da Model Monitoring. Utilizza i nomi delle risorse per i canali di notifica, che puoi recuperare elencando i canali di notifica nel tuo progetto. Ad esempio: "projects/my-project/notificationChannels/1355376463305411567", "projects/my-project/notificationChannels/1355376463305411568".
    • (Facoltativo) ANALYSIS_INSTANCE_SCHEMA è l'URI Cloud Storage del file di schema che descrive il formato dei dati di input. Ad esempio, gs://test-bucket/schema.yaml.

    Corpo JSON della richiesta: 

    {
  "displayName":"MONITORING_JOB_NAME",
  "endpoint":"projects/PROJECT_NUMBER/locations/LOCATION/endpoints/ENDPOINT_ID",
  "modelDeploymentMonitoringObjectiveConfigs": {
     "deployedModelId": "DEPLOYED_MODEL_ID",
     "objectiveConfig":  {
        "predictionDriftDetectionConfig": {
            "driftThresholds": {
              "FEATURE_1": {
                "value": VALUE_1
               },
              "FEATURE_2": {
                "value": VALUE_2
               }
            }
         },
      },
  },
  "loggingSamplingStrategy": {
     "randomSampleConfig":  {
        "sampleRate":  0.5,
     },
  },
  "modelDeploymentMonitoringScheduleConfig": {
     "monitorInterval": {
        "seconds": 3600,
     },
  },
  "modelMonitoringAlertConfig": {
     "emailAlertConfig": {
        "userEmails": ["EMAIL_ADDRESS"],
     },
     "notificationChannels": [NOTIFICATION_CHANNELS]
  },
  "analysisInstanceSchemaUri": ANALYSIS_INSTANCE_SCHEMA
}

    Per inviare la richiesta, espandi una di queste opzioni:

    Dovresti ricevere una risposta JSON simile alla seguente:

    {
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/modelDeploymentMonitoringJobs/MONITORING_JOB_NUMBER",
  ...
  "state": "JOB_STATE_PENDING",
  "scheduleState": "OFFLINE",
  ...
  "bigqueryTables": [
    {
      "logSource": "SERVING",
      "logType": "PREDICT",
      "bigqueryTablePath": "bq://PROJECT_ID.model_deployment_monitoring_8451189418714202112.serving_predict"
    }
  ],
  ...
}

Dopo la creazione del job di monitoraggio, Model Monitoring registra le richieste di previsione in entrata in una tabella BigQuery generata denominata PROJECT_ID.model_deployment_monitoring_ENDPOINT_ID.serving_predict. Se il logging delle richieste e delle risposte è abilitato, Model Monitoring registra le richieste in entrata nella stessa tabella BigQuery utilizzata per il logging delle richieste e delle risposte.

(Facoltativo) Configura gli avvisi per il job di monitoraggio del modello

Puoi monitorare ed eseguire il debug del job di monitoraggio del modello tramite gli avvisi. Il monitoraggio del modello ti invia automaticamente notifiche sugli aggiornamenti dei job via email, ma puoi anche configurare avvisi tramite i canali di notifica di Cloud Logging e Cloud Monitoring.

Email

Per i seguenti eventi, Model Monitoring invia una notifica via email a ogni indirizzo email specificato durante la creazione del job di Model Monitoring:

  • Ogni volta che viene impostato il rilevamento di disallineamenti o deviazioni.
  • Ogni volta che viene aggiornata la configurazione di un job esistente di Model Monitoring.
  • Ogni volta che l'esecuzione di una pipeline di monitoraggio pianificata non va a buon fine.

Cloud Logging

Per attivare i log per le esecuzioni della pipeline di monitoraggio pianificate, imposta il campo enableMonitoringPipelineLogs nella configurazione modelDeploymentMonitoringJobs su true. I log di debug vengono scritti in Cloud Logging quando viene configurato il job di monitoraggio e a ogni intervallo di monitoraggio.

I log di debug vengono scritti in Cloud Logging con il nome log: model_monitoring. Ad esempio:

logName="projects/model-monitoring-demo/logs/aiplatform.googleapis.com%2Fmodel_monitoring" resource.labels.model_deployment_monitoring_job=6680511704087920640

Ecco un esempio di voce di log sull'avanzamento del job: 

{
"insertId": "e2032791-acb9-4d0f-ac73-89a38788ccf3@a1",
"jsonPayload": {
  "@type": "type.googleapis.com/google.cloud.aiplatform.logging.ModelMonitoringPipelineLogEntry",
  "statusCode": {
    "message": "Scheduled model monitoring pipeline finished successfully for job projects/677687165274/locations/us-central1/modelDeploymentMonitoringJobs/6680511704087920640"
  },
  "modelDeploymentMonitoringJob": "projects/677687165274/locations/us-central1/modelDeploymentMonitoringJobs/6680511704087920640"
},
"resource": {
  "type": "aiplatform.googleapis.com/ModelDeploymentMonitoringJob",
  "labels": {
    "model_deployment_monitoring_job": "6680511704087920640",
    "location": "us-central1",
    "resource_container": "projects/677687165274"
  }
},
"timestamp": "2022-02-04T15:33:54.778883Z",
"severity": "INFO",
"logName": "projects/model-monitoring-demo/logs/staging-aiplatform.sandbox.googleapis.com%2Fmodel_monitoring",
"receiveTimestamp": "2022-02-04T15:33:56.343298321Z"
}

Canali di notifica

Ogni volta che l'esecuzione di una pipeline di monitoraggio pianificata non va a buon fine, Model Monitoring invia una notifica ai canali di notifica di Cloud Monitoring specificati durante la creazione del job di Model Monitoring.

Configura gli avvisi per le anomalie delle caratteristiche

Model Monitoring rileva un'anomalia quando viene superata la soglia impostata per una funzionalità. Model Monitoring ti avvisa automaticamente delle anomalie rilevate tramite email, ma puoi anche configurare avvisi tramite i canali di notifica di Cloud Logging e Cloud Monitoring.

Email

A ogni intervallo di monitoraggio, se la soglia di almeno una caratteristica supera la soglia, Model Monitoring invia un avviso via email a ogni indirizzo email specificato durante la creazione del job di Model Monitoring. L'email include quanto segue:

  • L'ora in cui è stato eseguito il job di monitoraggio.
  • Il nome della caratteristica che ha un disallineamento o una deviazione.
  • La soglia di avviso e la misura della distanza statistica registrata.

Cloud Logging

Per attivare gli avvisi di Cloud Logging, imposta il campo enableLogging della configurazione ModelMonitoringAlertConfig su true.

A ogni intervallo di monitoraggio, viene scritto un log delle anomalie in Cloud Logging se la distribuzione di almeno una caratteristica supera la soglia per quella caratteristica. Puoi inoltrare i log a qualsiasi servizio supportato da Cloud Logging, ad esempio Pub/Sub.

Le anomalie vengono scritte in Cloud Logging con il nome log: model_monitoring_anomaly. Ad esempio:

logName="projects/model-monitoring-demo/logs/aiplatform.googleapis.com%2Fmodel_monitoring_anomaly" resource.labels.model_deployment_monitoring_job=6680511704087920640

Ecco un esempio di voce di log delle anomalie: 

{
"insertId": "b0e9c0e9-0979-4aff-a5d3-4c0912469f9a@a1",
"jsonPayload": {
  "anomalyObjective": "RAW_FEATURE_SKEW",
  "endTime": "2022-02-03T19:00:00Z",
  "featureAnomalies": [
    {
      "featureDisplayName": "age",
      "deviation": 0.9,
      "threshold": 0.7
    },
    {
      "featureDisplayName": "education",
      "deviation": 0.6,
      "threshold": 0.3
    }
  ],
  "totalAnomaliesCount": 2,
  "@type": "type.googleapis.com/google.cloud.aiplatform.logging.ModelMonitoringAnomaliesLogEntry",
  "startTime": "2022-02-03T18:00:00Z",
  "modelDeploymentMonitoringJob": "projects/677687165274/locations/us-central1/modelDeploymentMonitoringJobs/6680511704087920640",
  "deployedModelId": "1645828169292316672"
},
"resource": {
  "type": "aiplatform.googleapis.com/ModelDeploymentMonitoringJob",
  "labels": {
    "model_deployment_monitoring_job": "6680511704087920640",
    "location": "us-central1",
    "resource_container": "projects/677687165274"
  }
},
"timestamp": "2022-02-03T19:00:00Z",
"severity": "WARNING",
"logName": "projects/model-monitoring-demo/logs/staging-aiplatform.sandbox.googleapis.com%2Fmodel_monitoring_anomaly",
"receiveTimestamp": "2022-02-03T19:59:52.121398388Z"
}

Canali di notifica

A ogni intervallo di monitoraggio, se la soglia di almeno una caratteristica supera la soglia, Model Monitoring invia un avviso ai canali di notifica di Cloud Monitoring specificati durante la creazione del job di Model Monitoring. L'avviso include informazioni sul job di monitoraggio del modello che lo ha attivato.

Aggiorna un job di Monitoraggio del modello

Puoi visualizzare, aggiornare, mettere in pausa ed eliminare un job di Model Monitoring. Devi mettere in pausa un job prima di poterlo eliminare.

Console

La messa in pausa e l'eliminazione non sono supportate nella console Cloud de Confiance ; utilizza invece gcloud CLI.

Per aggiornare i parametri di un job di monitoraggio del modello:

  1. Nella console Cloud de Confiance , vai alla pagina Endpoint della piattaforma agente.

    Vai a Endpoint

  2. Fai clic sul nome dell'endpoint che vuoi modificare.

  3. Fai clic su Modifica impostazioni.

  4. Nel riquadro Modifica endpoint, seleziona Monitoraggio del modello o Obiettivi di monitoraggio.

  5. Aggiorna i campi che vuoi modificare.

  6. Fai clic su Aggiorna.

Per visualizzare metriche, avvisi e proprietà di monitoraggio di un modello:

  1. Nella console Cloud de Confiance , vai alla pagina Endpoint della piattaforma agente.

    Vai a Endpoint

  2. Fai clic sul nome dell'endpoint.

  3. Nella colonna Monitoraggio del modello che vuoi visualizzare, fai clic su Attivato.

gcloud

Esegui questo comando:

gcloud ai model-monitoring-jobs COMMAND MONITORING_JOB_ID \
  --PARAMETER=VALUE --project=PROJECT_ID --region=LOCATION

dove:

  • COMMAND è il comando che vuoi eseguire sul job di monitoraggio. Ad esempio, update, pause, resume, oo delete. Per saperne di più, consulta il riferimento di gcloud CLI.

  • MONITORING_JOB_ID è l'ID del job di monitoraggio. Ad esempio, 123456789. Puoi trovare l'ID recuperando le informazioni sull'endpoint o visualizzando le proprietà di monitoraggio di un modello nella console Cloud de Confiance . L'ID è incluso nel nome della risorsa del job di monitoraggio nel formato projects/PROJECT_NUMBER/locations/LOCATION/modelDeploymentMonitoringJobs/MONITORING_JOB_ID.

  • (Facoltativo) PARAMETER=VALUE è il parametro che vuoi aggiornare. Questo flag è obbligatorio solo quando utilizzi il comando update. Ad esempio monitoring-frequency=2. Per un elenco dei parametri che puoi aggiornare, consulta il riferimento di gcloud CLI.

  • PROJECT_ID è l'ID del tuo progetto Cloud de Confiance . Ad esempio, my-project.

  • LOCATION è la località del job di monitoraggio. Ad esempio, us-central1.

API REST

Metti in pausa un job

Prima di utilizzare i dati della richiesta, apporta le sostituzioni seguenti:

  • PROJECT_NUMBER: il numero del tuo progetto Cloud de Confiance . Ad esempio: 1234567890.
  • LOCATION: la località del job di monitoraggio. Ad esempio, us-central1.
  • MONITORING_JOB_ID: l'ID del job di monitoraggio. Ad esempio: 0987654321.

Per inviare la richiesta, espandi una di queste opzioni:

Dovresti ricevere una risposta JSON simile alla seguente:

{}

Elimina un job

Prima di utilizzare i dati della richiesta, apporta le sostituzioni seguenti:

  • PROJECT_NUMBER: il numero del tuo progetto Cloud de Confiance . Ad esempio: my-project.
  • LOCATION: la località del job di monitoraggio. Ad esempio, us-central1.
  • MONITORING_JOB_ID: l'ID del job di monitoraggio. Ad esempio: 0987654321.

Per inviare la richiesta, espandi una di queste opzioni:

Dovresti ricevere una risposta JSON simile alla seguente:

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION/operations/MONITORING_JOB_ID",
  ...
  "done": true,
  ...
}

Analizza i dati relativi a disallineamento e deviazione

Puoi utilizzare la console Cloud de Confiance per visualizzare le distribuzioni di ogni caratteristica monitorata e scoprire quali modifiche hanno portato a disallineamento o deviazione nel tempo. Puoi visualizzare le distribuzioni dei valori delle caratteristiche sotto forma di istogramma.

Console

  1. Per accedere agli istogrammi di distribuzione delle caratteristiche nella consoleCloud de Confiance , vai alla pagina Endpoint.

    Vai a Endpoint

  2. Nella pagina Endpoint, fai clic sull'endpoint che vuoi analizzare.

  3. Nella pagina dei dettagli dell'endpoint selezionato è presente un elenco di tutti i modelli di cui è stato eseguito il deployment su quell'endpoint. Fai clic sul nome di un modello da analizzare.

  4. La pagina dei dettagli del modello elenca le caratteristiche di input del modello, insieme alle informazioni pertinenti, come la soglia di avviso per ogni caratteristica e il numero di avvisi precedenti per la caratteristica.

  5. Per analizzare una caratteristica, fai clic sul suo nome. Viene visualizzata una pagina con gli istogrammi della distribuzione delle caratteristiche per quella caratteristica.

    Per ogni caratteristica monitorata, puoi visualizzare le distribuzioni dei 50 job di monitoraggio più recenti nella console Cloud de Confiance . Per il rilevamento del disallineamento, la distribuzione dei dati di addestramento viene visualizzata accanto alla distribuzione dei dati di input:

    Istogrammi che mostrano la distribuzione dei dati di input di esempio e la distribuzione dei dati di addestramento per il rilevamento del disallineamento.

    La visualizzazione della distribuzione dei dati sotto forma di istogrammi consente di comprendere rapidamente ciò che è accaduto nei dati. In seguito, potresti decidere di modificare la pipeline di generazione delle caratteristiche o di conservare il modello.

Passaggi successivi