搜索研究与资料 · 工具介绍
NannyML
NannyML 是面向已部署机器学习模型的 Python 监测库，可估计缺少目标标签时的模型表现、检测数据漂移，并用可视化帮助检查表格分类或回归任务的变化。
NannyML 能做什么
NannyML 是面向已部署机器学习模型的 Python 监测库，可估计缺少目标标签时的模型表现、检测数据漂移，并用可视化帮助检查表格分类或回归任务的变化。
- 模型训练与部署
如何使用 NannyML
估计分类模型表现并检查数据漂移
准备输入
- 包含预测概率、预测值和真实标签的参考数据。
- 用于分析的后续预测数据及分块设置。
操作步骤
- 安装 NannyML，准备参考数据和分析数据，明确预测、标签列名及任务类型。
- 初始化 CBPE，在参考数据上 fit 后，对分析数据运行 estimate 并查看结果图。
- 对关注特征配置漂移计算器，比较漂移结果与表现估计，记录需要结合真实标签复核的问题。
预期交付物
- 分块的模型表现估计图、数据漂移结果和复核问题清单。
CBPE 与 DLE 给出的是推理时预测表现的估计，真实标签可用后还需计算实际表现；不要把漂移警报直接当作模型失效或因果结论。
开始前需要了解
账号权限、费用与可用功能请以官方入口的当前说明为准。重要结果应先检查，再用于实际工作。
从搜索研究与资料角度评估NannyML
把搜索研究与资料需要的条件列清楚，再比较工具。阅读本页的产品用途、步骤与限制，再逐项确认下面的问题；这些是选型方法，不表示每款工具都具备同样能力。
来源能否回看
需要能打开的原始页面或文档位置，不能只有一段无出处的摘要。
范围是否与问题一致
核对日期、地区、对象与定义，不把相似术语当成同一事实。
是否保留反例
把冲突资料和未解决问题放进结论，避免只找支持原想法的证据。
选择一个小样任务，先检查结果与交付格式，再决定是否用于更多资料。
