Drift Univariat vs Multivariat
Deteksi perubahan yang tidak terlihat jika fitur diperiksa satu per satu.
Drift Univariat vs Multivariat adalah pelajaran MLOps Academy gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar MLOps Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus MLOps Academy mencakup 4 pelajaran total.
Satu Fitur Sekaligus
Cara paling sederhana untuk memantau pergeseran adalah memeriksa setiap fitur secara terpisah. Ini disebut deteksi pergeseran univariat, dan di sinilah sebagian besar tim memulai. 📊
Cara Kerja Pemeriksaan Univariat
Untuk pergeseran univariat, Anda membandingkan distribusi setiap fitur saat ini dengan referensi pelatihannya, satu kolom setiap kali, menggunakan pengujian seperti PSI atau statistik KS.
Keterbatasan Univariat
Pemeriksaan satu fitur tidak menangkap perubahan yang hanya terlihat dalam kombinasi. Setiap kolom dapat terlihat sepenuhnya normal, sementara distribusi gabungannya diam-diam telah berubah.
Contoh Perubahan Tersembunyi
Bayangkan tinggi dan berat badan masing-masing tampak tidak berubah, tetapi orang yang tinggi dan ringan tiba-tiba bermunculan. Pasangan tersebut mengalami pergeseran meskipun tidak satu pun fiturnya berubah. Itulah pergeseran multivariat.
Makna Pergeseran Multivariat
Pergeseran multivariat melihat fitur secara bersamaan, sehingga menangkap perubahan korelasi dan interaksi yang sepenuhnya terlewatkan oleh pengujian satu kolom.
Trik Pengklasifikasi Domain
Metode multivariat yang menarik melatih pengklasifikasi untuk membedakan baris referensi dari baris saat ini. Jika berhasil, kedua kumpulan tersebut berbeda, dan itu menandakan pergeseran. 🕵️
from sklearn.ensemble import RandomForestClassifier
# label reference=0, current=1, then check AUC
clf = RandomForestClassifier().fit(X_all, is_current)Membaca Sinyal AUC
Jika AUC pengklasifikasi tersebut berada di sekitar 0,5, kedua periode tidak dapat dibedakan sehingga tidak ada pergeseran. AUC yang mendekati 1,0 berarti kedua kumpulan mudah dipisahkan.
Pergeseran Berbasis Rekonstruksi
Pendekatan lain menggunakan model seperti PCA: terapkan fit pada data referensi, lalu amati kenaikan galat rekonstruksi pada data saat ini ketika struktur masukan berubah.
Gabungkan Kedua Sudut Pandang
Jalankan pemeriksaan univariat untuk mengetahui fitur mana yang berubah, dan pemeriksaan multivariat untuk menangkap perubahan yang tersembunyi di antara fitur-fitur tersebut. Keduanya menjawab pertanyaan yang berbeda secara bersamaan.
Waspadai Jebakan Banyak Pengujian
Menguji ratusan fitur satu per satu berarti beberapa fitur akan terdeteksi hanya karena kebetulan. Sesuaikan ambang batas atau lakukan koreksi untuk perbandingan berganda agar Anda tidak tertimbun derau.
Mulai Sederhana, Tambahkan Kedalaman
Mulailah dengan pemeriksaan univariat karena murah dan mudah dijelaskan. Tambahkan deteksi multivariat setelah Anda perlu menangkap perubahan gabungan yang halus. ✅
Pemeriksaan Singkat
Mari menguji kapan Anda benar-benar memerlukan sudut pandang multivariat.
Ringkasan
Pemeriksaan pergeseran univariat dilakukan pada setiap fitur secara terpisah; pergeseran multivariat menangkap perubahan di antara fitur-fitur tersebut. Gunakan pengklasifikasi domain atau PCA untuk melihat gabungannya, dan waspadai jebakan banyak pengujian. 🎯
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Drift Univariat vs Multivariat” gratis?
Ya — teks lengkap “Drift Univariat vs Multivariat” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus MLOps Academy, upgrade ke CoddyKit PRO. Kursus MLOps Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Drift Univariat vs Multivariat”?
Deteksi perubahan yang tidak terlihat jika fitur diperiksa satu per satu. Kamu berlatih MLOps Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai MLOps Academy?
Tidak diperlukan pengalaman sebelumnya. MLOps Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.
Berapa lama pelajaran “Drift Univariat vs Multivariat” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran MLOps Academy ini?
Ya. Setiap pelajaran MLOps Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Drift Univariat vs Multivariat
- Pantau Performa dengan Label Tertunda
- Sesuaikan Jendela untuk Mengurangi Alarm Palsu
- Hubungkan Peringatan Drift ke Pelatihan Ulang