Evidently 是一个面向数据科学家和机器学习工程师的开源 Python 库。它有助于评估、测试和监控从验证到生产的数据和 ML 模型。它适用于表格、文本数据和嵌入。
简介
Evidently 是一个开源的 Python 工具，旨在帮助构建对机器学习模型的监控，以确保它们的质量和在生产环境运行的稳定性。
它可以用于模型生命周期的多个阶段：作为 notebook 中检查模型的仪表板，作为 pipeline 的一部分，或者作为部署后的监控。
Evidently 特别关注模型漂移，同时也提供了模型质量检查、数据质量检查和目标漂变监测等功能。此外，它还提供了多种内置的指标、可视化图形和测试，可以轻松地放入报告、仪表板或测试驱动的 pipeline 中。
功能
Evidently采用了由 3 个组件组成的模块化方法：报告、测试套件和监控仪表板。
它们涵盖不同的使用场景：从临时分析到自动化管道测试和持续监控。
1. 测试套件：批量模型检查
测试执行结构化数据和机器学习模型质量检查，可以手动设置条件，也可以让 Evidently 根据参考数据集生成条件，返回明确的通过或失败结果。可以从 50 多个测试创建测试套件或运行预设之一。例如，测试数据稳定性或回归性能。
输入：一个或两个数据集，如 pandas.DataFrames 或 csv。
获取输出：在 Jupyter Notebook 或 Colab 中，导出 HTML、JSON 或 Python 字典。
主要用例：基于测试的机器学习监控，以将测试作为机器学习管道中的一个步骤来运行。例如，当收到一批新的数据、标签或生成预测时。可以根据结果构建条件工作流程，例如触发警报、重新训练或获取报告。
2. 报告：交互式可视化
计算各种指标并提供丰富的交互式可视化报告，可以根据各个指标创建自定义报告，或运行涵盖模型或数据性能特定方面的预设。例如，数据质量或分类性能。
输入：一个或两个数据集，如 pandas.DataFrames 或 csv。
如何获取输出：在 Jupyter Notebook 或 Colab 中，导出 HTML 文件、JSON 或 Python 字典。
主要用例：分析和探索，有助于直观地评估数据或模型性能。例如，在探索性数据分析期间、对训练集进行模型评估、调试模型质量衰减时或比较多个模型时。
3. 机器学习监控仪表板
您可以自行托管机器学习监控仪表板，以随着时间的推移可视化指标和测试结果。此功能位于报告和测试套件之上，必须将它们的输出存储为 Evidently JSON snapshots，作为 Evidently Monitoring UI 的数据源。
输入：snapshots，记录到对象存储中。
输出：可作为网络应用程序使用的自托管仪表板。
主要用例：当需要实时仪表板来查看一段时间内的所有模型和指标时，持续监控。
安装&使用
pip install evidently
pip install jupyter
# 安装 jupyter Nbextion
pip install jupyter_contrib_nbextensions
# 在 jupyter 扩展中安装并启用 evidently
jupyter nbextension install --sys-prefix --symlink --overwrite --py evidently
jupyter nbextension enable evidently --py --sys-prefix
大部分情况下，需要在Jupyter notebook中使用。
使用步骤很简单，一般分三步：1、导入模块 2、处理数据 3、获取报告
举个例子，先导入所需模块
import pandas as pd
import numpy as npfrom sklearn.datasets import fetch_california_housingfrom evidently import ColumnMappingfrom evidently.report import Report
from evidently.metrics.base_metric import generate_column_metrics
from evidently.metric_preset import DataDriftPreset, TargetDriftPreset, DataQualityPreset, RegressionPreset
from evidently.metrics import *from evidently.test_suite import TestSuite
from evidently.tests.base_test import generate_column_tests
from evidently.test_preset import DataStabilityTestPreset, NoTargetPerformanceTestPreset
from evidently.tests import *
导入和处理数据
data = fetch_california_housing(as_frame=True)
housing_data = data.framehousing_data.rename(columns={'MedHouseVal': 'target'}, inplace=True)
housing_data['prediction'] = housing_data['target'].values + np.random.normal(0, 5, housing_data.shape[0])reference = housing_data.sample(n=5000, replace=False)
current = housing_data.sample(n=5000, replace=False)
获取报告
report = Report(metrics=[DataDriftPreset(),
])report.run(reference_data=reference, current_data=current)
report
官方提供了很多获取报告的代码模板：https://docs.evidentlyai.com/presets/all-presets
evidently 功能十分强大，这里展示的只是其能力的冰山一角。了解更多，可以参考以下链接：
官网：https://www.evidentlyai.com/
文档：https://docs.evidentlyai.com/
开源地址：https://github.com/evidentlyai/evidently
材料获取
技术要学会分享、交流，不建议闭门造车。一个人可以走的很快、一堆人可以走的更远。
资料干货、资料分享、数据、技术交流提升，均可加交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。
方式①、添加微信号：dkl88194，备注：来自CSDN + 资料
方式②、微信搜索公众号：Python学习与数据挖掘，后台回复： 资料
1、数据分析实战宝典
2、100个超强算法模型
我们打造了《100个超强算法模型》，特点：从0到1轻松学习，原理、代码、案例应有尽有，所有的算法模型都是按照这样的节奏进行表述，所以是一套完完整整的案例库。
很多初学者是有这么一个痛点，就是案例，案例的完整性直接影响同学的兴致。因此，我整理了 100个最常见的算法模型，在你的学习路上助推一把！
