跳到主要内容

使用 MLflow 记录可视化

下载此 notebook

在本指南的这一部分，我们将重点强调**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、审计能力和溯源能力，从而确保机器学习生命周期稳健且透明。

我们在做什么？​

  • **存储可视化工件：** 我们在 MLflow 中将各种绘图记录为可视化工件，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，从而提高模型透明度和可追溯性。

这如何应用于 MLflow？​

  • **集成可视化记录：** 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便捷性和效率。
  • **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查看。

注意​

虽然 MLflow 为记录可视化提供了简单性和便利性，但确保可视化工件与相应的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。

为什么一致性记录很重要？​

  • **审计和溯源：** 对可视化进行一致且全面的记录对于审计目的至关重要，可确保每个模型都附带相关的可视化洞察，以便进行全面分析和审查。
  • **增强模型理解：** 适当的可视化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 的可视化记录能力在确保全面、透明和高效的机器学习生命周期中发挥着无可估量的作用，增强了模型的可解释性、审计能力和溯源能力。

生成合成苹果销售数据​

在下一节中，我们将深入探讨如何使用 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多种特征，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：** 生成包含日期、平均气温、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。
  • **整合各种效应：** 此函数整合了促销调整、季节性以及竞争对手定价等效应，这些效应共同影响目标变量 'demand'。

这如何应用于数据生成？​

  • **全面数据集：** 合成数据集提供了全面的特征和相互作用集，非常适合探索需求预测的各个方面和维度。
  • **自由与灵活性：** 合成数据的性质允许进行无约束的探索和分析，不受真实世界数据敏感性和约束的限制。

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？​

  • **真实世界的复杂性：** 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，这可能导致模型和洞察过于简化。
  • **向真实世界场景的迁移性：** 确保从合成数据中获得的洞察和模型可迁移到真实世界场景中需要仔细考量和验证。

总之，generate_apple_sales_data_with_promo_adjustment 函数提供了生成用于苹果销售需求预测的全面合成数据的强大工具，有助于进行广泛的探索和分析，同时也承认合成数据的局限性。

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，代表苹果的基准需求。
  • n_rows：设置为 10,000，确定生成数据集中的行数或数据点数。
  • competitor_price_effect：设置为 -25.0，代表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，我们获得了一个数据集 my_data，其中包含具有上述配置的合成苹果销售数据。此数据集将在本 notebook 的后续步骤中用于进一步的探索和分析。

您可以在生成单元格后面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
date average_temperature rainfall weekend holiday price_per_kg promo demand previous_days_demand competitor_price_per_kg marketing_intensity
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​

在此部分，我们创建了一个时间序列图来可视化需求数据及其滚动平均值。

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。通过同时绘制滚动平均值，我们可以平滑短期波动并突出长期趋势或周期。这种可视化辅助工具对于理解数据以及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 格式以进行精确绘图。
  • **滚动平均计算**：它使用指定的窗口大小（window_size）计算 'demand' 的滚动平均值，默认为 7 天。
  • **绘图**：它在同一图上绘制了原始需求数据和计算的滚动平均值以进行比较。原始需求数据以较低的透明度绘制，使其看起来像“幽灵”，确保滚动平均值突出显示。
  • **标签和图例**：添加了足够的标签和图例以提高清晰度。

为什么要返回图？​

我们返回图对象（fig）而不是直接渲染它，这样模型训练事件的每次迭代都可以将该图作为记录的工件存储到 MLflow 中。这种方法使我们能够精确地保留数据可视化状态以及用于训练的数据状态。MLflow 可以存储此图对象，以便在 MLflow UI 中轻松检索和渲染，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​

在此部分，我们利用箱线图可视化周末与工作日的需求分布。这种可视化有助于理解基于一周中哪天的需求变异性和中心趋势。

为什么这很重要？​

理解周末和工作日的需求差异对于在库存、人员配备和其他运营方面做出明智决策至关重要。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。箱线图提供了关于两类需求数据的中位数、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，单个数据点作为条形图覆盖在箱线图上。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**：图表经过样式化以提高清晰度，并移除不必要的图例以增强可读性。

为什么要返回图？​

与时间序列图一样，此函数也返回图对象（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，我们创建一个散点图来研究 demand 和 price_per_kg 之间的关系。理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：** 这种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了宝贵的洞察。
  • **理解需求弹性：** 它有助于理解需求对价格的弹性，有助于为促销和折扣做出明智的数据驱动决策。

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，颜色指示该日是周末还是工作日。这种颜色编码有助于快速识别特定于周末或工作日的模式。
  • **透明度和抖动：** 点以透明度（alpha=0.15）绘制以处理重叠，允许可视化点的密度。
  • **回归线：** 对于每个子组（周末和工作日），在同一轴上拟合并绘制单独的回归线。这些线提供了需求关于每公斤价格在各组中的趋势的清晰可视化指示。
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 vs. 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：** 理解工作日与周末的需求分布可以指导库存管理和人员配备需求。
  • **指导商业策略：** 这种洞察对于就促销、折扣以及可能在特定日期更有效的其他策略做出数据驱动决策至关重要。

代码结构：​

  • **密度图：** 代码为 demand 生成一个密度图，分为工作日和周末。
  • **颜色编码组：** 这两组（工作日和周末）使用颜色编码（分别为蓝色和绿色），使得区分它们变得容易。
  • **透明度和填充：** 密度曲线下的区域填充了浅色、透明的颜色（alpha=0.15），以便于可视化，同时避免视觉混乱。

可视化元素有哪些？​

  • **两条密度曲线：** 图中包含两条密度曲线，一条用于工作日，另一条用于周末。这些曲线清晰地展示了每组需求的分布。
  • **图例：** 添加了图例，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​

在此部分，我们利用条形图可视化训练好的模型特征的系数。

为什么这很重要？​

理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**：代码首先将绘图样式设置为 'seaborn' 以增强美观性。
  • **图初始化**：它创建一个图和坐标轴用于绘图。
  • **条形图**：它使用水平条形图（barh）来可视化每个特征的系数。y 轴代表特征名称，x 轴代表系数值。这种可视化使得比较系数变得容易，提供了关于它们相对重要性及其对目标变量影响的洞察。
  • **标题和标签**：它设置了适当的标题（“系数图”）以及 x 轴（“系数值”）和 y 轴（“特征”）的标签，以确保清晰度和可理解性。

通过可视化系数，我们可以对模型有更深入的理解，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​

在此部分，我们创建一个图来可视化模型的残差，残差是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研究预测变量与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呈正态分布且方差恒定的假设，这对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，即实际值（y_test）与预测值（y_pred）之间的差值。
  • **上下文设置**：代码将绘图样式设置为 'seaborn'，以获得具有视觉吸引力的图。
  • **图初始化**：它创建一个图和坐标轴用于绘图。
  • **残差绘图**：它利用 Seaborn 的 residplot 创建残差图，并使用一条 lowess（局部加权散点平滑）线来突出残差的趋势。
  • **零线**：它在零处添加一条虚线，作为观察残差的参考。线上方的残差表示欠预测，线下方表示过预测。
  • **标题和标签**：它设置了适当的标题（“残差图”）以及 x 轴（“预测值”）和 y 轴（“残差”）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是否需要进一步细化或增加复杂度做出更明智的决策。

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​

在此部分，我们创建一个图来可视化预测误差，展示模型实际值与预测值之间的差异。

为什么这很重要？​

理解预测误差对于评估模型的性能至关重要。预测误差图提供了关于误差分布的洞察，并有助于识别趋势、偏差或异常值。这种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，并确保其在新数据上的泛化能力良好。

代码结构：​

  • **上下文设置**：代码将绘图样式设置为 'seaborn'，以获得简洁美观的图。
  • **图初始化**：它初始化一个图和坐标轴用于绘图。
  • **散点图**：代码绘制了预测值与误差（实际值 - 预测值）的关系。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（高于零表示欠预测，低于零表示过预测）。
  • **零线**：在 y=0 处绘制了一条红色虚线作为参考，有助于轻松识别误差。此线上的点表示欠预测，此线下的点表示过预测。
  • **标题和标签**：它添加了标题（“预测误差图”）以及 x 轴（“预测值”）和 y 轴（“误差”）的标签，以获得更好的清晰度和理解性。

通过分析预测误差图，实践者可以获得有关模型性能的宝贵洞察，有助于进一步细化和增强模型，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​

在此部分，我们将生成一个 QQ 图来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，这是线性回归模型的基本假设。如果 QQ 图中的点没有紧密跟随该线并显示出某种模式，这表明残差可能不是正态分布的，这可能暗示模型存在问题，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' 以获得美观性。
  • **图初始化**：初始化一个图和坐标轴用于绘图。
  • **QQ图生成**：使用 stats.probplot 函数生成 QQ图。它绘制了残差的分位数与正态分布分位数之间的关系。
  • **标题添加**：为图添加了标题（“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满足正态性假设。如果不满足，探索其他模型类型或变换可能有助于提高模型的性能和可靠性。

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​

在此部分，我们将生成一个**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 notebook 中的其他图表不同，我们将把图表本地保存到磁盘，以展示记录任意文件的另一种机制，即 log_artifact() API。在下面的主要模型训练和记录部分，您将看到如何将此图表添加到 MLflow 运行中。

为什么这很重要？​

理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，多重共线性会影响模型性能和可解释性。
  • 深入了解变量之间的关系，这可以指导特征工程和选择。
  • 发现不同特征之间潜在的因果关系或相互作用，这可以指导领域理解和进一步分析。

代码结构：​

  • **相关性计算**：代码首先计算提供的 DataFrame 的相关矩阵。
  • **掩码**：为相关矩阵的上三角创建了一个掩码，因为该矩阵是对称的，我们无需可视化重复的信息。
  • **热力图生成**：生成热力图以可视化相关系数。颜色梯度和注释提供了对变量之间关系的清晰洞察。
  • **标题添加**：添加了标题以清晰标识图表。

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)

模型训练和可视化的主要执行详细概述​

本节将深入探讨模型训练、预测、误差计算和可视化的全面工作流程。将详细讨论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​

以结构化的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，从而提供更可靠、更健壮的模型。这种简化的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方面都得到评估。

将可视化记录到 MLflow 的重要性​

将可视化记录到 MLflow 提供以下几个主要优势：

  • **永久性**：与 notebook 中单元格可能乱序运行导致潜在误解的短暂状态不同，将绘图记录到 MLflow 可确保可视化与特定运行一起永久存储。这种永久性确保了模型训练和评估的可视化上下文得以保留，消除了混淆并确保解释的清晰性。

  • **溯源能力**：通过记录可视化，可以捕获模型训练时数据的确切状态和关系。这种做法对于很久以前训练的模型至关重要。它提供了一个可靠的参考点，以理解模型行为以及训练时的数据特征，确保洞察和解释随着时间的推移仍然有效和可靠。

  • **可访问性**：将可视化存储在 MLflow 中，所有团队成员或相关利益方都可以轻松访问。这种集中式可视化存储增强了协作，允许不同团队成员轻松查看、分析和解释可视化，从而做出更明智的集体决策。

代码详细结构：​

  1. 设置 MLflow:

    • 定义了 MLflow 的追踪 URI。
    • 设置了一个名为“可视化演示”的实验，所有运行和日志都将存储在该实验下。

  2. 数据准备:

    • X 和 y 分别定义为特征和目标变量。
    • 数据集被分为训练集和测试集，以确保模型在未见数据上的性能得到评估。

  3. 初始绘图生成:

    • 生成了初始绘图，包括时间序列图、箱线图、散点图和密度图。
    • 这些图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 Ridge 回归模型，alpha 为 1.0。
    • 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:

    • 训练好的模型用于在测试数据上进行预测。
    • 计算了各种误差指标，包括 MSE、RMSE、MAE、R2、MSLE 和 MedAE，以评估模型的性能。

  6. 附加绘图生成:

    • 生成了附加绘图，包括残差图、系数图、预测误差图和 QQ 图。
    • 这些图进一步提供了关于模型性能、残差行为和误差分布的洞察。

  7. 记录到 MLflow:

    • 训练好的模型、计算出的指标、定义的参数（alpha）以及所有生成的图都被记录到 MLflow。
    • 此记录确保所有与模型相关的信息和可视化都存储在一个集中、易于访问的位置。

结论：​

通过执行此全面且结构化的代码，我们确保涵盖了模型训练、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 的实践进一步增强了模型的可靠性、可访问性和可解释性，从而有助于更明智和可靠的模型部署和使用。

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, artifact_path="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.")