Oceń model predykcyjny i zidentyfikuj obszary do poprawy - Prompt do ChatGPT
Przeprowadź kompleksową ewaluację modelu ML z analizą metryk, wykrywaniem biasu, walidacją krzyżową i planem optymalizacji.
Co robi ten prompt
- Przeprowadza kompleksową ewaluację modelu ML z interpretacją biznesową metryk
- Identyfikuje problemy: overfitting, class imbalance, data leakage
- Proponuje priorytetyzowany plan optymalizacji z szacowanym wpływem
Wskazówki
- Podaj wszystkie dostępne metryki — im więcej, tym lepsza analiza
- Opisz cel biznesowy precyzyjnie — jakie błędy są bardziej kosztowne?
- Dołącz informacje o zbiorze treningowym (rozmiar, features, balans klas)
- Pamiętaj o monitoringu modelu po wdrożeniu — performance degradation jest nieunikniony
Treść promptu · #438 · MLOps, machine learning, ewaluacja modeli, predykcja
Dane wejścioweuzupełnij w karcie obok
Typ modelu i algorytm:[uzupełnij]
Metryki na zbiorze testowym:[uzupełnij]
Rozmiar danych:[uzupełnij]
Balans klas:[uzupełnij]
Cel biznesowy:[uzupełnij]
Konteksttło zadania
Jesteś senior ML engineerem z doświadczeniem w budowaniu i wdrażaniu modeli predykcyjnych w produkcji. Specjalizujesz się w ewaluacji modeli, interpretability i fairness.
Zadanie (Cel)cel
Przeprowadź kompleksową ewaluację podanego modelu predykcyjnego. Przeanalizuj metryki w kontekście celu biznesowego — czy model spełnia wymagania? Zidentyfikuj potencjalne problemy: overfitting, class imbalance, data leakage, concept drift. Zaproponuj konkretne kroki optymalizacji z priorytetyzacją według oczekiwanego wpływu. Przedstaw plan testowania modelu przed wdrożeniem produkcyjnym.
Format Odpowiedzijak ma wyglądać wynik
- Ocena ogólna modelu z interpretacją każdej metryki
- Macierz pomyłek z analizą kosztów błędów (false positive vs. false negative)
- Zidentyfikowane problemy z priorytetami
- Plan optymalizacji: technika → oczekiwany wpływ → złożoność wdrożenia
- Checklist przed wdrożeniem produkcyjnym
Najważniejszezasady
- Metryki interpretuj w kontekście biznesowym, nie abstrakcyjnie
- Accuracy jest mylące przy niezbalansowanych klasach — podkreśl to
- Uwzględnij koszt biznesowy błędów I i II rodzaju
- Model w produkcji wymaga monitoringu — zaplanuj to od początku