使用 MLflow 记录可视化

下载此笔记本

在本指南的这一部分中，我们强调了使用 MLflow 记录可视化的重要性。将可视化与训练好的模型一起保留，可以增强模型的可解释性、审计和溯源性，从而确保稳健透明的机器学习生命周期。

我们在做什么？

• 存储可视化工件： 我们将各种图表作为可视化工件记录在 MLflow 中，确保它们始终可访问并与相应的模型和运行数据对齐。
• 增强模型可解释性： 这些可视化有助于理解和解释模型行为，从而提高模型的透明度和可追溯性。

它如何应用于 MLflow？

• 集成可视化日志记录： MLflow 无缝集成了记录和访问可视化工件的功能，提高了处理可视化上下文和洞察的简易性和效率。
• 便捷访问： 记录的图表可在 MLflow UI 的“运行”视图窗格中显示，确保快速轻松地进行分析和审查。

注意

虽然 MLflow 为记录可视化提供了简单和便利，但确保可视化工件与相应模型数据的一致性和相关性至关重要，以维护模型信息的完整性和全面性。

为什么一致的日志记录很重要？

• 审计和溯源： 一致且全面的可视化日志记录对于审计目的至关重要，确保每个模型都附有相关的视觉洞察，以便进行全面分析和审查。
• 增强模型理解： 适当的视觉上下文增强了对模型行为的理解，有助于有效的模型评估和验证。

总之，MLflow 的可视化日志记录功能在确保全面、透明和高效的机器学习生命周期中发挥着宝贵作用，增强了模型的可解释性、审计和溯源性。

生成合成苹果销售数据

在下一节中，我们将深入探讨使用 generate_apple_sales_data_with_promo_adjustment 函数生成用于苹果销售需求预测的合成数据。此函数模拟了与苹果销售相关的各种特征，为探索和建模提供了丰富的数据集。

我们在做什么？

• 模拟真实数据： 生成一个包含日期、平均温度、降雨量、周末标志等特征的数据集，模拟真实的苹果销售场景。
• 结合各种效应： 该函数结合了促销调整、季节性和竞争对手定价等效应，从而影响“需求”目标变量。

它如何应用于数据生成？

• 综合数据集： 合成数据集提供了一组全面的特征和交互，非常适合探索需求预测的各个方面和维度。
• 自由和灵活性： 合成数据的性质允许不受限制的探索和分析，没有真实世界数据敏感性和约束。

注意

虽然合成数据为探索和学习提供了许多优势，但承认其在捕捉真实世界复杂性和细微差别方面的局限性至关重要。

为什么承认局限性很重要？

• 真实世界复杂性： 合成数据可能无法捕捉真实世界数据中存在的所有复杂模式和异常，可能导致模型和洞察过于简单化。
• 向真实世界场景的可转移性： 确保从合成数据中获得的洞察和模型可转移到真实世界场景需要仔细考虑和验证。

总之，generate_apple_sales_data_with_promo_adjustment 函数为生成用于苹果销售需求预测的全面合成数据集提供了一个强大的工具，促进了广泛的探索和分析，同时承认了合成数据的局限性。

import math
import pathlib
from datetime import datetime, timedelta

import matplotlib.pylab as plt
import numpy as np
import pandas as pd
import seaborn as sns
from scipy import stats
from sklearn.linear_model import Ridge
from sklearn.metrics import (
  mean_absolute_error,
  mean_squared_error,
  mean_squared_log_error,
  median_absolute_error,
  r2_score,
)
from sklearn.model_selection import train_test_split

import mlflow


def generate_apple_sales_data_with_promo_adjustment(
  base_demand: int = 1000,
  n_rows: int = 5000,
  competitor_price_effect: float = -50.0,
):
  """
  Generates a synthetic dataset for predicting apple sales demand with multiple
  influencing factors.

  This function creates a pandas DataFrame with features relevant to apple sales.
  The features include date, average_temperature, rainfall, weekend flag, holiday flag,
  promotional flag, price_per_kg, competitor's price, marketing intensity, stock availability,
  and the previous day's demand. The target variable, 'demand', is generated based on a
  combination of these features with some added noise.

  Args:
      base_demand (int, optional): Base demand for apples. Defaults to 1000.
      n_rows (int, optional): Number of rows (days) of data to generate. Defaults to 5000.
      competitor_price_effect (float, optional): Effect of competitor's price being lower
                                                 on our sales. Defaults to -50.

  Returns:
      pd.DataFrame: DataFrame with features and target variable for apple sales prediction.

  Example:
      >>> df = generate_apple_sales_data_with_promo_adjustment(base_demand=1200, n_rows=6000)
      >>> df.head()
  """

  # Set seed for reproducibility
  np.random.seed(9999)

  # Create date range
  dates = [datetime.now() - timedelta(days=i) for i in range(n_rows)]
  dates.reverse()

  # Generate features
  df = pd.DataFrame(
      {
          "date": dates,
          "average_temperature": np.random.uniform(10, 35, n_rows),
          "rainfall": np.random.exponential(5, n_rows),
          "weekend": [(date.weekday() >= 5) * 1 for date in dates],
          "holiday": np.random.choice([0, 1], n_rows, p=[0.97, 0.03]),
          "price_per_kg": np.random.uniform(0.5, 3, n_rows),
          "month": [date.month for date in dates],
      }
  )

  # Introduce inflation over time (years)
  df["inflation_multiplier"] = 1 + (df["date"].dt.year - df["date"].dt.year.min()) * 0.03

  # Incorporate seasonality due to apple harvests
  df["harvest_effect"] = np.sin(2 * np.pi * (df["month"] - 3) / 12) + np.sin(
      2 * np.pi * (df["month"] - 9) / 12
  )

  # Modify the price_per_kg based on harvest effect
  df["price_per_kg"] = df["price_per_kg"] - df["harvest_effect"] * 0.5

  # Adjust promo periods to coincide with periods lagging peak harvest by 1 month
  peak_months = [4, 10]  # months following the peak availability
  df["promo"] = np.where(
      df["month"].isin(peak_months),
      1,
      np.random.choice([0, 1], n_rows, p=[0.85, 0.15]),
  )

  # Generate target variable based on features
  base_price_effect = -df["price_per_kg"] * 50
  seasonality_effect = df["harvest_effect"] * 50
  promo_effect = df["promo"] * 200

  df["demand"] = (
      base_demand
      + base_price_effect
      + seasonality_effect
      + promo_effect
      + df["weekend"] * 300
      + np.random.normal(0, 50, n_rows)
  ) * df["inflation_multiplier"]  # adding random noise

  # Add previous day's demand
  df["previous_days_demand"] = df["demand"].shift(1)
  df["previous_days_demand"].fillna(method="bfill", inplace=True)  # fill the first row

  # Introduce competitor pricing
  df["competitor_price_per_kg"] = np.random.uniform(0.5, 3, n_rows)
  df["competitor_price_effect"] = (
      df["competitor_price_per_kg"] < df["price_per_kg"]
  ) * competitor_price_effect

  # Stock availability based on past sales price (3 days lag with logarithmic decay)
  log_decay = -np.log(df["price_per_kg"].shift(3) + 1) + 2
  df["stock_available"] = np.clip(log_decay, 0.7, 1)

  # Marketing intensity based on stock availability
  # Identify where stock is above threshold
  high_stock_indices = df[df["stock_available"] > 0.95].index

  # For each high stock day, increase marketing intensity for the next week
  for idx in high_stock_indices:
      df.loc[idx : min(idx + 7, n_rows - 1), "marketing_intensity"] = np.random.uniform(0.7, 1)

  # If the marketing_intensity column already has values, this will preserve them;
  #  if not, it sets default values
  fill_values = pd.Series(np.random.uniform(0, 0.5, n_rows), index=df.index)
  df["marketing_intensity"].fillna(fill_values, inplace=True)

  # Adjust demand with new factors
  df["demand"] = df["demand"] + df["competitor_price_effect"] + df["marketing_intensity"]

  # Drop temporary columns
  df.drop(
      columns=[
          "inflation_multiplier",
          "harvest_effect",
          "month",
          "competitor_price_effect",
          "stock_available",
      ],
      inplace=True,
  )

  return df

生成苹果销售数据

在此单元格中，我们调用 generate_apple_sales_data_with_promo_adjustment 函数来生成苹果销售数据集。

使用的参数：

• base_demand：设置为 1000，表示苹果的基准需求。
• n_rows：设置为 10,000，确定生成数据集中行的数量或数据点。
• competitor_price_effect：设置为 -25.0，表示竞争对手价格较低时对我们销售的影响。

通过运行此单元格，我们获得了数据集 my_data，其中包含具有上述配置的合成苹果销售数据。此数据集将用于本笔记本后续步骤中的进一步探索和分析。

您可以在生成单元格之后的单元格中看到数据。

my_data = generate_apple_sales_data_with_promo_adjustment(
  base_demand=1000, n_rows=10_000, competitor_price_effect=-25.0
)

my_data

	日期	平均温度	降雨量	周末	假期	每公斤价格	促销	需求	前几天的需求	竞争对手每公斤价格	营销强度
0	1996-05-11 13:10:40.689999	30.584727	1.831006	1	0	1.578387	1	1301.647352	1326.324266	0.755725	0.323086
1	1996-05-12 13:10:40.689999	15.465069	0.761303	1	0	1.965125	0	1143.972638	1326.324266	0.913934	0.030371
2	1996-05-13 13:10:40.689998	10.786525	1.427338	0	0	1.497623	0	890.319248	1168.942267	2.879262	0.354226
3	1996-05-14 13:10:40.689997	23.648154	3.737435	0	0	1.952936	0	811.206168	889.965021	0.826015	0.953000
4	1996-05-15 13:10:40.689997	13.861391	5.598549	0	0	2.059993	0	822.279469	835.253168	1.130145	0.953000
...	...	...	...	...	...	...	...	...	...	...	...
9995	2023-09-22 13:10:40.682895	23.358868	7.061220	0	0	1.556829	1	1981.195884	2089.644454	0.560507	0.889971
9996	2023-09-23 13:10:40.682895	14.859048	0.868655	1	0	1.632918	0	2180.698138	2005.305913	2.460766	0.884467
9997	2023-09-24 13:10:40.682894	17.941035	13.739986	1	0	0.827723	1	2675.093671	2179.813671	1.321922	0.884467
9998	2023-09-25 13:10:40.682893	14.533862	1.610512	0	0	0.589172	0	1703.287285	2674.209204	2.604095	0.812706
9999	2023-09-26 13:10:40.682889	13.048549	5.287508	0	0	1.794122	1	1971.029266	1702.474579	1.261635	0.750458

10000 行 × 11 列

需求的时间序列可视化

在本节中，我们正在创建时间序列图以可视化需求数据及其移动平均值。

为什么这很重要？

可视化时间序列数据对于识别模式、理解变异性以及做出更明智的决策至关重要。通过同时绘制移动平均线，我们可以平滑短期波动并突出长期趋势或周期。这种视觉辅助对于理解数据并做出更准确和明智的预测和决策至关重要。

代码结构：

• 输入验证：代码首先确保数据是 pandas DataFrame。
• 日期转换：它将“date”列转换为 datetime 格式以进行准确绘图。
• 移动平均计算：它计算“需求”的移动平均值，具有指定的窗口大小（window_size），默认为 7 天。
• 绘图：它在同一图上绘制原始需求数据和计算的移动平均值进行比较。原始需求数据以低透明度绘制，使其看起来“虚幻”，确保移动平均值突出。
• 标签和图例：添加了足够的标签和图例以供清晰。

为什么要返回图形？

我们返回图形对象 (fig) 而不是直接渲染它，以便模型训练事件的每次迭代都可以将图形作为日志工件消耗到 MLflow。这种方法允许我们将数据可视化的状态与用于训练的数据状态精确地持久化。MLflow 可以存储此图形对象，从而可以轻松地在 MLflow UI 中检索和渲染，确保可视化始终可访问并与相关的模型和数据信息配对。

def plot_time_series_demand(data, window_size=7, style="seaborn", plot_size=(16, 12)):
  if not isinstance(data, pd.DataFrame):
      raise TypeError("df must be a pandas DataFrame.")

  df = data.copy()

  df["date"] = pd.to_datetime(df["date"])

  # Calculate the rolling average
  df["rolling_avg"] = df["demand"].rolling(window=window_size).mean()

  with plt.style.context(style=style):
      fig, ax = plt.subplots(figsize=plot_size)
      # Plot the original time series data with low alpha (transparency)
      ax.plot(df["date"], df["demand"], "b-o", label="Original Demand", alpha=0.15)
      # Plot the rolling average
      ax.plot(
          df["date"],
          df["rolling_avg"],
          "r",
          label=f"{window_size}-Day Rolling Average",
      )

      # Set labels and title
      ax.set_title(
          f"Time Series Plot of Demand with {window_size} day Rolling Average",
          fontsize=14,
      )
      ax.set_xlabel("Date", fontsize=12)
      ax.set_ylabel("Demand", fontsize=12)

      # Add legend to explain the lines
      ax.legend()
      plt.tight_layout()

  plt.close(fig)
  return fig

使用箱线图可视化周末与工作日的需求

在本节中，我们利用箱线图可视化周末与工作日的需求分布。此可视化有助于根据星期几了解需求的变异性和中心趋势。

为什么这很重要？

了解周末和工作日之间的需求差异对于做出有关库存、人员配置和其他运营方面的明智决策至关重要。它有助于识别需求较高的时期，从而更好地进行资源分配和规划。

代码结构：

• 箱线图：代码使用 Seaborn 创建一个箱线图，显示周末 (1) 和工作日 (0) 的需求分布。箱线图提供了对这两个类别需求数据中位数、四分位数和可能异常值的洞察。
• 添加单个数据点：为了提供更多上下文，单个数据点作为条带图叠加在箱线图上。它们被抖动以获得更好的可视化效果，并根据日期类型进行颜色编码。
• 样式：图表样式清晰，并删除了不必要的图例以增强可读性。

为什么要返回图形？

与时间序列图一样，此函数也返回图形对象 (fig) 而不是直接显示它。

def plot_box_weekend(df, style="seaborn", plot_size=(10, 8)):
  with plt.style.context(style=style):
      fig, ax = plt.subplots(figsize=plot_size)
      sns.boxplot(data=df, x="weekend", y="demand", ax=ax, color="lightgray")
      sns.stripplot(
          data=df,
          x="weekend",
          y="demand",
          ax=ax,
          hue="weekend",
          palette={0: "blue", 1: "green"},
          alpha=0.15,
          jitter=0.3,
          size=5,
      )

      ax.set_title("Box Plot of Demand on Weekends vs. Weekdays", fontsize=14)
      ax.set_xlabel("Weekend (0: No, 1: Yes)", fontsize=12)
      ax.set_ylabel("Demand", fontsize=12)
      for i in ax.get_xticklabels() + ax.get_yticklabels():
          i.set_fontsize(10)
      ax.legend_.remove()
      plt.tight_layout()
  plt.close(fig)
  return fig

探索需求与每公斤价格之间的关系

在此可视化中，我们正在创建散点图以调查 demand 和 price_per_kg 之间的关系。了解这种关系对于定价策略和需求预测至关重要。

为什么这很重要？​

• 定价策略洞察： 此可视化有助于揭示需求如何随每公斤价格变化，为设定价格以优化销售和收入提供有价值的洞察。
• 理解需求弹性： 它有助于理解需求对价格的弹性，有助于做出明智的数据驱动决策以进行促销和折扣。

代码结构：

• 散点图： 代码生成一个散点图，其中每个点的位置由 price_per_kg 和 demand 决定，颜色表示该天是周末还是工作日。这种颜色编码有助于快速识别周末或工作日特有的模式。
• 透明度和抖动： 点以透明度 (alpha=0.15) 绘制以处理过度绘制，从而允许可视化点的密度。
• 回归线： 对于每个子组（周末和工作日），拟合单独的回归线并将其绘制在相同的轴上。这些线提供了需求相对于每组每公斤价格趋势的清晰视觉指示。

def plot_scatter_demand_price(df, style="seaborn", plot_size=(10, 8)):
  with plt.style.context(style=style):
      fig, ax = plt.subplots(figsize=plot_size)
      # Scatter plot with jitter, transparency, and color-coded based on weekend
      sns.scatterplot(
          data=df,
          x="price_per_kg",
          y="demand",
          hue="weekend",
          palette={0: "blue", 1: "green"},
          alpha=0.15,
          ax=ax,
      )
      # Fit a simple regression line for each subgroup
      sns.regplot(
          data=df[df["weekend"] == 0],
          x="price_per_kg",
          y="demand",
          scatter=False,
          color="blue",
          ax=ax,
      )
      sns.regplot(
          data=df[df["weekend"] == 1],
          x="price_per_kg",
          y="demand",
          scatter=False,
          color="green",
          ax=ax,
      )

      ax.set_title("Scatter Plot of Demand vs Price per kg with Regression Line", fontsize=14)
      ax.set_xlabel("Price per kg", fontsize=12)
      ax.set_ylabel("Demand", fontsize=12)
      for i in ax.get_xticklabels() + ax.get_yticklabels():
          i.set_fontsize(10)
      plt.tight_layout()
  plt.close(fig)
  return fig

可视化需求密度：工作日与周末

此可视化使我们能够分别观察工作日和周末的 demand 分布。

为什么这很重要？

• 需求分布洞察： 了解工作日与周末的需求分布可以为库存管理和人员配置需求提供信息。
• 为业务策略提供信息： 此洞察对于就促销、折扣和其他可能在特定日期更有效的策略做出数据驱动的决策至关重要。

代码结构：

• 密度图： 代码生成一个 demand 的密度图，分为工作日和周末。
• 颜色编码组： 两个组（工作日和周末）进行颜色编码（分别为蓝色和绿色），使其易于区分。
• 透明度和填充： 密度曲线下方的区域填充有浅色透明颜色 (alpha=0.15)，以便于可视化，同时避免视觉混乱。

视觉元素是什么？

• 两条密度曲线： 该图包含两条密度曲线，一条用于工作日，另一条用于周末。这些曲线提供了每个组需求分布的清晰视觉表示。
• 图例： 添加了一个图例以帮助识别哪条曲线对应哪个组（工作日或周末）。

def plot_density_weekday_weekend(df, style="seaborn", plot_size=(10, 8)):
  with plt.style.context(style=style):
      fig, ax = plt.subplots(figsize=plot_size)

      # Plot density for weekdays
      sns.kdeplot(
          df[df["weekend"] == 0]["demand"],
          color="blue",
          label="Weekday",
          ax=ax,
          fill=True,
          alpha=0.15,
      )

      # Plot density for weekends
      sns.kdeplot(
          df[df["weekend"] == 1]["demand"],
          color="green",
          label="Weekend",
          ax=ax,
          fill=True,
          alpha=0.15,
      )

      ax.set_title("Density Plot of Demand by Weekday/Weekend", fontsize=14)
      ax.set_xlabel("Demand", fontsize=12)
      ax.legend(fontsize=12)
      for i in ax.get_xticklabels() + ax.get_yticklabels():
          i.set_fontsize(10)

      plt.tight_layout()
  plt.close(fig)
  return fig

模型系数可视化

在本节中，我们利用条形图来可视化训练模型的特征系数。

为什么这很重要？​

了解系数的大小和方向对于解释模型至关重要。它有助于识别影响预测的最重要特征。这种洞察力对于特征选择、工程以及最终提高模型性能至关重要。

代码结构：

• 上下文设置：代码通过将绘图样式设置为“seaborn”来启动，以增强美观性。
• 图形初始化：它创建一个用于绘图的图形和轴。
• 条形图：它使用水平条形图 (barh) 可视化每个特征的系数。y 轴表示特征名称，x 轴表示系数值。此可视化使比较系数变得容易，从而深入了解它们对目标变量的相对重要性和影响。
• 标题和标签：它设置了适当的标题（“系数图”）和 x（“系数值”）和 y（“特征”）轴的标签，以确保清晰度和可理解性。

通过可视化系数，我们可以更深入地了解模型，从而更容易解释模型的预测并就特征重要性和影响做出更明智的决策。

def plot_coefficients(model, feature_names, style="seaborn", plot_size=(10, 8)):
  with plt.style.context(style=style):
      fig, ax = plt.subplots(figsize=plot_size)
      ax.barh(feature_names, model.coef_)
      ax.set_title("Coefficient Plot", fontsize=14)
      ax.set_xlabel("Coefficient Value", fontsize=12)
      ax.set_ylabel("Features", fontsize=12)
      plt.tight_layout()
  plt.close(fig)
  return fig

残差可视化

在本节中，我们正在创建图表以可视化模型的残差，即观测值和预测值之间的差异。

为什么这很重要？​

残差图是回归分析中用于调查预测变量和响应变量之间关系中不可预测性的基本诊断工具。它有助于识别非线性、异方差性和异常值。此图有助于验证误差服从正态分布且具有恒定方差的假设，这对于回归模型预测的可靠性至关重要。

代码结构：

• 残差计算：代码首先计算残差作为实际值 (y_test) 和预测值 (y_pred) 之间的差异。
• 上下文设置：代码将绘图样式设置为“seaborn”以获得视觉吸引力的绘图。
• 图形初始化：它创建一个用于绘图的图形和轴。
• 残差绘图：它利用 Seaborn 的 residplot 来创建残差图，并带有局部加权散点图平滑 (lowess) 线以突出残差的趋势。
• 零线：它在零处添加了一条虚线作为观察残差的参考。线上方的残差表示预测不足，而线下的残差表示预测过度。
• 标题和标签：它设置了适当的标题（“残差图”）和 x（“预测值”）和 y（“残差”）轴的标签，以确保清晰度和可理解性。

通过检查残差图，我们可以就模型的充分性以及可能需要进一步细化或增加复杂性做出更明智的决策。

def plot_residuals(y_test, y_pred, style="seaborn", plot_size=(10, 8)):
  residuals = y_test - y_pred

  with plt.style.context(style=style):
      fig, ax = plt.subplots(figsize=plot_size)
      sns.residplot(
          x=y_pred,
          y=residuals,
          lowess=True,
          ax=ax,
          line_kws={"color": "red", "lw": 1},
      )

      ax.axhline(y=0, color="black", linestyle="--")
      ax.set_title("Residual Plot", fontsize=14)
      ax.set_xlabel("Predicted values", fontsize=12)
      ax.set_ylabel("Residuals", fontsize=12)

      for label in ax.get_xticklabels() + ax.get_yticklabels():
          label.set_fontsize(10)

      plt.tight_layout()

  plt.close(fig)
  return fig

预测误差可视化

在本节中，我们正在创建图表以可视化预测误差，展示模型实际值和预测值之间的差异。

为什么这很重要？​

了解预测误差对于评估模型性能至关重要。预测误差图提供了对误差分布的洞察，并有助于识别趋势、偏差或异常值。此可视化是模型评估的关键组成部分，有助于识别模型可能需要改进的领域，并确保其很好地泛化到新数据。

代码结构：

• 上下文设置：代码将绘图样式设置为“seaborn”，以获得清晰美观的绘图。
• 图形初始化：它初始化一个用于绘图的图形和轴。
• 散点图：代码将预测值与误差（实际值 - 预测值）进行绘图。图上的每个点代表一个特定的观测值，其在 y 轴上的位置表示误差的大小和方向（高于零表示预测不足，低于零表示预测过度）。
• 零线：绘制一条 y=0 的红色虚线作为参考，有助于轻松识别误差。线上方的点是预测不足，线下的点是预测过度。
• 标题和标签：它添加了标题（“预测误差图”）和 x（“预测值”）和 y（“误差”）轴的标签，以提高清晰度和理解度。

通过分析预测误差图，实践者可以获得对模型性能的宝贵见解，有助于进一步完善和增强模型，从而获得更好、更可靠的预测。

def plot_prediction_error(y_test, y_pred, style="seaborn", plot_size=(10, 8)):
  with plt.style.context(style=style):
      fig, ax = plt.subplots(figsize=plot_size)
      ax.scatter(y_pred, y_test - y_pred)
      ax.axhline(y=0, color="red", linestyle="--")
      ax.set_title("Prediction Error Plot", fontsize=14)
      ax.set_xlabel("Predicted Values", fontsize=12)
      ax.set_ylabel("Errors", fontsize=12)
      plt.tight_layout()
  plt.close(fig)
  return fig

分位数-分位数图 (QQ 图) 可视化

在本节中，我们将生成 QQ 图以可视化模型预测残差的分布。

为什么这很重要？​

QQ 图对于评估模型残差是否遵循正态分布至关重要，这是线性回归模型中的一个基本假设。如果 QQ 图中的点不紧密地跟随该线并显示出某种模式，则表明残差可能不服从正态分布，这可能意味着模型存在问题，例如异方差性或非线性。

代码结构：

• 残差计算：代码首先通过从实际测试值中减去预测值来计算残差。
• 上下文设置：将绘图样式设置为“seaborn”以获得美观。
• 图形初始化：初始化图形和轴以进行绘图。
• QQ 图生成：使用 stats.probplot 函数生成 QQ 图。它将残差的分位数与正态分布的分位数进行绘图。
• 添加标题：为图表添加标题（“QQ 图”）以提高清晰度。

通过仔细分析 QQ 图，我们可以确保模型的残差符合正态性假设。如果不是，探索其他模型类型或转换以提高模型的性能和可靠性可能是有益的。

def plot_qq(y_test, y_pred, style="seaborn", plot_size=(10, 8)):
  residuals = y_test - y_pred
  with plt.style.context(style=style):
      fig, ax = plt.subplots(figsize=plot_size)
      stats.probplot(residuals, dist="norm", plot=ax)
      ax.set_title("QQ Plot", fontsize=14)
      plt.tight_layout()
  plt.close(fig)
  return fig

特征相关矩阵

在本节中，我们正在生成一个特征相关矩阵，以可视化数据集中不同特征之间的关系。

注意： 与本笔记本中的其他图表不同，我们将图表保存到本地磁盘副本，以显示任意文件的替代日志记录机制，即 log_artifact() API。在下面的主要模型训练和日志记录部分中，您将看到如何将此图表添加到 MLflow 运行中。

为什么这很重要？​

了解不同特征之间的相关性对于以下方面至关重要：

• 识别多重共线性，这会影响模型性能和可解释性。
• 深入了解变量之间的关系，这可以为特征工程和选择提供信息。
• 揭示不同特征之间的潜在因果关系或交互作用，这可以为领域理解和进一步分析提供信息。

代码结构：

• 相关性计算：代码首先计算提供 DataFrame 的相关矩阵。
• 掩码：为相关矩阵的上三角形创建一个掩码，因为矩阵是对称的，我们不需要可视化重复信息。
• 热图生成：生成一个热图以可视化相关系数。颜色渐变和注释提供了对变量之间关系的清晰洞察。
• 添加标题：添加标题以清晰识别图表。

通过分析相关矩阵，我们可以就特征选择做出更明智的决策，并更好地理解数据集中的关系。

def plot_correlation_matrix_and_save(
  df, style="seaborn", plot_size=(10, 8), path="/tmp/corr_plot.png"
):
  with plt.style.context(style=style):
      fig, ax = plt.subplots(figsize=plot_size)

      # Calculate the correlation matrix
      corr = df.corr()

      # Generate a mask for the upper triangle
      mask = np.triu(np.ones_like(corr, dtype=bool))

      # Draw the heatmap with the mask and correct aspect ratio
      sns.heatmap(
          corr,
          mask=mask,
          cmap="coolwarm",
          vmax=0.3,
          center=0,
          square=True,
          linewidths=0.5,
          annot=True,
          fmt=".2f",
      )

      ax.set_title("Feature Correlation Matrix", fontsize=14)
      plt.tight_layout()

  plt.close(fig)
  # convert to filesystem path spec for os compatibility
  save_path = pathlib.Path(path)
  fig.savefig(save_path)

模型训练和可视化主执行的详细概述

本节深入探讨了模型训练、预测、误差计算和可视化的综合工作流。详细讨论了每个步骤的重要性以及特定选择的原因。

结构化执行的好处

以结构化方式执行模型训练和评估的所有关键步骤是基础。它提供了一个框架，确保考虑建模过程的各个方面，提供更可靠和稳健的模型。这种流线型执行有助于避免遗漏的错误或偏差，并保证模型在所有必要的方面进行评估。

将可视化记录到 MLflow 的重要性

将可视化记录到 MLflow 提供了几个主要好处

• 持久性：与笔记本的瞬时状态不同，笔记本中的单元格可能无序运行导致潜在的误解，将图表记录到 MLflow 可确保可视化与特定运行永久存储。这种持久性确保保留模型训练和评估的视觉上下文，消除混淆并确保解释的清晰性。

• 溯源性：通过记录可视化，可以捕获模型训练时数据中的确切状态和关系。这种做法对于很久以前训练的模型至关重要。它提供了可靠的参考点来理解模型行为和训练时的数据特征，确保洞察力和解释随着时间的推移保持有效和可靠。

• 可访问性：将可视化存储在 MLflow 中，使所有参与的团队成员或利益相关者都可以轻松访问。这种可视化的集中存储增强了协作，使不同的团队成员可以轻松查看、分析和解释可视化，从而实现更明智和集体的决策。

代码的详细结构：

1. 设置 MLflow:

   • 定义 MLflow 的跟踪 URI。
   • 设置了一个名为“Visualizations Demo”的实验，所有运行和日志都将存储在此实验下。

2. 数据准备:

   • X 和 y 分别定义为特征和目标变量。
   • 数据集被分割成训练集和测试集，以确保模型性能在未见数据上进行评估。

3. 初始图生成:

   • 生成包括时间序列、箱线图、散点图和密度图的初始图。
   • 这些图表提供了对数据及其特征的初步洞察。

4. 模型定义和训练:

   • 定义了一个 alpha 为 1.0 的 Ridge 回归模型。
   • 模型在训练数据上进行训练，学习数据中的关系和模式。

5. 预测和误差计算:

   • 训练好的模型用于对测试数据进行预测。
   • 计算各种误差指标，包括 MSE、RMSE、MAE、R2、MSLE 和 MedAE，以评估模型的性能。

6. 附加图生成:

   • 生成包括残差图、系数图、预测误差图和 QQ 图的附加图。
   • 这些图表提供了对模型性能、残差行为和误差分布的进一步洞察。

7. 记录到 MLflow:

   • 训练好的模型、计算的指标、定义的参数 (alpha) 和所有生成的图表都记录到 MLflow 中。
   • 此日志记录确保与模型相关的所有信息和可视化都存储在集中、可访问的位置。

结论：

通过执行此全面且结构化的代码，我们确保涵盖模型训练、评估和解释的各个方面。将所有相关信息和可视化记录到 MLflow 的做法进一步增强了模型的可靠性、可访问性和可解释性，有助于更明智和可靠的模型部署和利用。

mlflow.set_tracking_uri("http://127.0.0.1:8080")

mlflow.set_experiment("Visualizations Demo")

X = my_data.drop(columns=["demand", "date"])
y = my_data["demand"]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

fig1 = plot_time_series_demand(my_data, window_size=28)
fig2 = plot_box_weekend(my_data)
fig3 = plot_scatter_demand_price(my_data)
fig4 = plot_density_weekday_weekend(my_data)

# Execute the correlation plot, saving the plot to a local temporary directory
plot_correlation_matrix_and_save(my_data)

# Define our Ridge model
model = Ridge(alpha=1.0)

# Train the model
model.fit(X_train, y_train)

# Make predictions
y_pred = model.predict(X_test)

# Calculate error metrics
mse = mean_squared_error(y_test, y_pred)
rmse = math.sqrt(mse)
mae = mean_absolute_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
msle = mean_squared_log_error(y_test, y_pred)
medae = median_absolute_error(y_test, y_pred)

# Generate prediction-dependent plots
fig5 = plot_residuals(y_test, y_pred)
fig6 = plot_coefficients(model, X_test.columns)
fig7 = plot_prediction_error(y_test, y_pred)
fig8 = plot_qq(y_test, y_pred)

# Start an MLflow run for logging metrics, parameters, the model, and our figures
with mlflow.start_run() as run:
  # Log the model
  mlflow.sklearn.log_model(sk_model=model, input_example=X_test, name="model")

  # Log the metrics
  mlflow.log_metrics(
      {"mse": mse, "rmse": rmse, "mae": mae, "r2": r2, "msle": msle, "medae": medae}
  )

  # Log the hyperparameter
  mlflow.log_param("alpha", 1.0)

  # Log plots
  mlflow.log_figure(fig1, "time_series_demand.png")
  mlflow.log_figure(fig2, "box_weekend.png")
  mlflow.log_figure(fig3, "scatter_demand_price.png")
  mlflow.log_figure(fig4, "density_weekday_weekend.png")
  mlflow.log_figure(fig5, "residuals_plot.png")
  mlflow.log_figure(fig6, "coefficients_plot.png")
  mlflow.log_figure(fig7, "prediction_errors.png")
  mlflow.log_figure(fig8, "qq_plot.png")

  # Log the saved correlation matrix plot by referring to the local file system location
  mlflow.log_artifact("/tmp/corr_plot.png")

2023/09/26 13:10:41 INFO mlflow.tracking.fluent: Experiment with name 'Visualizations Demo' does not exist. Creating a new experiment.
/Users/benjamin.wilson/miniconda3/envs/mlflow-dev-env/lib/python3.8/site-packages/mlflow/models/signature.py:333: UserWarning: Hint: Inferred schema contains integer column(s). Integer columns in Python cannot represent missing values. If your input data contains missing values at inference time, it will be encoded as floats and will cause a schema enforcement error. The best way to avoid this problem is to infer the model schema based on a realistic data sample (training dataset) that includes missing values. Alternatively, you can declare integer columns as doubles (float64) whenever these columns may have missing values. See `Handling Integers With Missing Values <https://www.mlflow.org/docs/latest/models.html#handling-integers-with-missing-values>`_ for more details.
input_schema = _infer_schema(input_ex)
/Users/benjamin.wilson/miniconda3/envs/mlflow-dev-env/lib/python3.8/site-packages/_distutils_hack/__init__.py:30: UserWarning: Setuptools is replacing distutils.
warnings.warn("Setuptools is replacing distutils.")