練習 - 將模型的輸出視覺化

8 分鐘

在本單元中，您會將 Matplotlib 匯入您所使用的筆記本，並將筆記本設定為支援內嵌 Matplotlib 輸出。

切換回您在上一節中建立的 Azure 筆記本。如果您已關閉筆記本，您可以重新登入 Microsoft Azure Notebooks 入口網站，開啟筆記本並使用 [資料格] ->[全部執行]，並於開啟筆記本後在其中重新執行所有資料格。
在筆記本結尾的新資料格中，執行下列程式碼。忽略與字型快取相關的任何顯示警告訊息：
```
%matplotlib inline
import matplotlib.pyplot as plt
import seaborn as sns

sns.set()
```
第一個陳述式是建立筆記本時所選取 Python 核心支援的數個 magic 命令之一。它可讓 Jupyter 在筆記本中呈現 Matplotlib 輸出，而無需重複呼叫 show。同時，它必須出現在 Matplotlib 本身的任何參考之前。最後一個陳述式會設定 Seaborn 來增強來自 Matplotlib 的輸出。

若要查看作用中的 Matplotlib，請在新的資料格中執行下列程式碼，以針對您在上一個實驗中建置的機器學習服務模型繪製 ROC 曲線：

from sklearn.metrics import roc_curve

fpr, tpr, _ = roc_curve(test_y, probabilities[:, 1])
plt.plot(fpr, tpr)
plt.plot([0, 1], [0, 1], color='grey', lw=1, linestyle='--')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')

確認您看到下列輸出：

使用 Matplotlib 產生的 ROC 曲線

圖表中間虛線表示取得正確答案的機率是 50-50。藍色曲線代表模型的正確性。更重要的是，顯示此圖表的事實表明您可以在 Jupyter 筆記本中使用 Matplotlib。

您建置機器學習服務模型的原因，是為了要預測航班將準時或延誤抵達。在此練習中，您將撰寫 Python 函式，以呼叫您在上一個實驗中建置的機器學習服務模型，用來計算航班準時的可能性。然後，您將使用此函式來分析數個航班。

在新的資料格中輸入下列函式定義，然後執行該資料格。

def predict_delay(departure_date_time, origin, destination):
    from datetime import datetime

    try:
        departure_date_time_parsed = datetime.strptime(departure_date_time, '%d/%m/%Y %H:%M:%S')
    except ValueError as e:
        return 'Error parsing date/time - {}'.format(e)

    month = departure_date_time_parsed.month
    day = departure_date_time_parsed.day
    day_of_week = departure_date_time_parsed.isoweekday()
    hour = departure_date_time_parsed.hour

    origin = origin.upper()
    destination = destination.upper()

    input = [{'MONTH': month,
              'DAY': day,
              'DAY_OF_WEEK': day_of_week,
              'CRS_DEP_TIME': hour,
              'ORIGIN_ATL': 1 if origin == 'ATL' else 0,
              'ORIGIN_DTW': 1 if origin == 'DTW' else 0,
              'ORIGIN_JFK': 1 if origin == 'JFK' else 0,
              'ORIGIN_MSP': 1 if origin == 'MSP' else 0,
              'ORIGIN_SEA': 1 if origin == 'SEA' else 0,
              'DEST_ATL': 1 if destination == 'ATL' else 0,
              'DEST_DTW': 1 if destination == 'DTW' else 0,
              'DEST_JFK': 1 if destination == 'JFK' else 0,
              'DEST_MSP': 1 if destination == 'MSP' else 0,
              'DEST_SEA': 1 if destination == 'SEA' else 0 }]

    return model.predict_proba(pd.DataFrame(input))[0][0]

此函式會採用日期和時間、出發地機場代碼、目的地機場代碼作為輸入，並傳回介於 0.0 與 1.0 之間的值，表示航班準時抵達其目的地的機率。它會使用您在前一個實驗中建置的機器學習服務模型來計算機率。同時，為了呼叫模型，它會將包含輸入值的 DataFrame 傳遞至 predict_proba。資料框架結構完全符合我們先前使用的 DataFrame 結構。

注意

predict_delay 函式的日期輸入則會使用國際日期格式 dd/mm/year。

使用下列程式碼，計算 10 月 1 日晚上從紐約飛往亞特蘭大的航班準時抵達的機率。您輸入的年份無關，因為模型不會使用。
```
predict_delay('1/10/2018 21:45:00', 'JFK', 'ATL')
```
確認輸出顯示準時抵達的機率為 60%：

預測航班是否準時抵達
修改程式碼，計算隔天相同航班準時抵達的機率：
```
predict_delay('2/10/2018 21:45:00', 'JFK', 'ATL')
```
此航班準時抵達的機率為何？如果您的旅遊計劃很彈性，您是否考慮將旅程延後一天？
現在修改程式碼，計算同一天從亞特蘭大飛往西雅圖的早班航班準時抵達的機率：
```
predict_delay('2/10/2018 10:00:00', 'ATL', 'SEA')
```
此航班是否可能準時抵達？

您現在只要使用一行程式碼，就能輕鬆地預測航班可能準時或誤點。請放心試驗其他日期、時間、起點和目的地。但請記住，由於只使用機場代碼 ATL、DTW、JFK、MSP 和 SEA 定型模型，因此結果只對這些機場代碼有意義。

執行下列程式碼，將不同日期從 JFK 飛往 ATL 的晚班航班準時抵達的機率繪製成圖：

import numpy as np

labels = ('Oct 1', 'Oct 2', 'Oct 3', 'Oct 4', 'Oct 5', 'Oct 6', 'Oct 7')
values = (predict_delay('1/10/2018 21:45:00', 'JFK', 'ATL'),
          predict_delay('2/10/2018 21:45:00', 'JFK', 'ATL'),
          predict_delay('3/10/2018 21:45:00', 'JFK', 'ATL'),
          predict_delay('4/10/2018 21:45:00', 'JFK', 'ATL'),
          predict_delay('5/10/2018 21:45:00', 'JFK', 'ATL'),
          predict_delay('6/10/2018 21:45:00', 'JFK', 'ATL'),
          predict_delay('7/10/2018 21:45:00', 'JFK', 'ATL'))
alabels = np.arange(len(labels))

plt.bar(alabels, values, align='center', alpha=0.5)
plt.xticks(alabels, labels)
plt.ylabel('Probability of On-Time Arrival')
plt.ylim((0.0, 1.0))

確認輸出與以下內容相似：

不同日期準時抵達的機率
修改程式碼，為 4 月 10 日至 4 月 16 日下午 1:00 離開 JFK 飛往 MSP 的航班產生相似圖表。此輸出相較於上一個步驟中的輸出有何不同？
自行撰寫程式碼，將 1 月 30 日上午 9:00、中午、下午 3:00、下午 6:00 和下午 9:00 離開 SEA 飛往 ATL 的航班準時抵達的機率繪製成圖。確認輸出與下圖相符：

不同時間準時抵達的機率

如果您剛開始使用 Matplotlib 並想要深入了解，您可以在下列網址找到一個絕佳的教學課程：https://www.labri.fr/perso/nrougier/teaching/matplotlib/.Matplotlib 的功能「遠超過」本文所展示的內容，這也是為何它在 Python 社群中這麼受歡迎的原因之一。

練習 - 將模型的輸出視覺化

意見反應