Задание 1. Сохранение и загрузка модели

Используя make_classification, необходимо:

1. Создать 400 наблюдений с пятью признаками.
2. Разделить данные на обучающую и тестовую выборки.
3. Создать Pipeline из StandardScaler и LogisticRegression.
4. Обучить модель.
5. Вычислить точность на тестовой выборке.
6. Сохранить Pipeline, версию модели и схему признаков с помощью joblib.
7. Загрузить сохранённый файл.
8. Проверить, что прогнозы до и после загрузки совпадают.

Задание 2. Проверка схемы запроса

Предположим, что модель ожидает три признака:

feature_names = [

"age",

"income",

"experience"

]

Необходимо:

1. Создать функцию проверки входного JSON-запроса.
2. Убедиться, что присутствуют все необходимые признаки.
3. Отклонять запросы с лишними признаками.
4. Проверять числовой тип значений.
5. Преобразовать корректный запрос в массив NumPy.
6. Продемонстрировать обработку правильного и неправильного запросов.
7. Объяснить, почему проверка схемы необходима при внедрении модели.

Задание 3. Мониторинг качества и изменения данных

Необходимо:

1. Создать два массива значений одного признака: обучающие и текущие.
2. Вычислить средние значения признака.
3. Определить изменение среднего.
4. Установить учебный порог обнаружения изменения, равный 5.
5. Создать массивы истинных и предсказанных классов.
6. Вычислить точность модели.
7. Рассчитать долю пропущенных значений в текущих данных.
8. Объяснить, какие показатели необходимо отслеживать при промышленном мониторинге модели.