Monitorar tabelas de métricas
Esta página descreve as tabelas de métricas criadas pelo Databricks lakehouse monitoramento. Para obter informações sobre o dashboard criado por um monitor, consulte Utilizar o dashboard SQL gerado.
Ao monitorar a execução em uma tabela do Databricks, ele cria ou atualiza duas tabelas de métricas: uma tabela de métricas de perfil e uma tabela de métricas de desvio.
A tabela de métricas de perfil contém estatísticas resumidas para cada coluna e para cada combinação de janela de tempo, fatia e colunas de agrupamento. Para análise
InferenceLog
, a tabela de análise também contém métricas de precisão do modelo.A tabela de métricas de desvio contém estatísticas que controlam as mudanças na distribuição de uma métrica. As tabelas de desvio podem ser usadas para visualizar ou alertar sobre alterações nos dados em vez de valores específicos. Os seguintes tipos de deriva são compute:
O desvio consecutivo compara uma janela com a janela de tempo anterior. O desvio consecutivo só é calculado se existir uma janela de tempo consecutiva após a agregação de acordo com as granularidades especificadas.
O desvio da linha de base compara uma janela com a distribuição da linha de base determinada pela tabela de linha de base. O desvio da linha de base só é calculado se uma tabela de linha de base for fornecida.
Onde as tabelas de métricas estão localizadas
As tabelas de métricas do monitor são salvas em {output_schema}.{table_name}_profile_metrics
e {output_schema}.{table_name}_drift_metrics
, onde:
{output_schema}
é o catálogo e o esquema especificados poroutput_schema_name
.{table_name}
é o nome da tabela que está sendo monitorada.
Como as estatísticas do monitor são calculadas
Cada estatística e métrica nas tabelas de métricas é compute para um intervalo de tempo especificado (chamado de “janela”). Para a análise Snapshot
, a janela de tempo é um único ponto no tempo correspondente à hora em que o indicador foi atualizado. Para análise TimeSeries
e InferenceLog
, a janela de tempo é baseada nas granularidades especificadas em create_monitor
e nos valores em timestamp_col
especificados no argumento profile_type
.
As métricas são sempre compute para toda a tabela. Além disso, se você fornecer uma expressão de divisão, as métricas serão compute para cada fatia de dados definida por um valor da expressão.
Por exemplo:
slicing_exprs=["col_1", "col_2 > 10"]
gera as seguintes fatias: uma para col_2 > 10
, uma para col_2 <= 10
e uma para cada valor exclusivo em col1
.
As fatias são identificadas nas tabelas de métricas pelos nomes das colunas slice_key
e slice_value
. Neste exemplo, uma key de fatia seria “col_2 > 10” e os valores correspondentes seriam “true” e “false”. A tabela inteira é equivalente a slice_key
= NULL e slice_value
= NULL. As fatias são definidas por uma única key de fatia.
As métricas são compute para todos os grupos possíveis definidos pelas janelas de tempo e key e valores de fatia. Além disso, para análise InferenceLog
, as métricas são compute para cada ID de modelo. Para obter detalhes, consulte Esquemas de colunas para tabelas geradas.
Estatísticas adicionais para monitoramento de precisão do modelo (InferenceLog
análise apenas)
Estatísticas adicionais são calculadas para análise InferenceLog
.
A qualidade do modelo é calculada se
label_col
eprediction_col
forem fornecidos.As fatias são criadas automaticamente com base nos valores distintos de
model_id_col
.Para modelos de classificação, as estatísticas de imparcialidade e viés são calculadas para fatias que possuem um valor Boolean .
Análise de consulta e tabelas de métricas de desvio
Você pode query as tabelas de métricas diretamente. O exemplo a seguir é baseado na análise InferenceLog
:
SELECT
window.start, column_name, count, num_nulls, distinct_count, frequent_items
FROM census_monitor_db.adult_census_profile_metrics
WHERE model_id = 1 — Constrain to version 1
AND slice_key IS NULL — look at aggregate metrics over the whole data
AND column_name = "income_predicted"
ORDER BY window.start
Esquemas de coluna para tabelas geradas
Para cada coluna na tabela principal, as tabelas de métricas contêm uma linha para cada combinação de colunas de agrupamento. A coluna associada a cada linha é mostrada na coluna column_name
.
Para métricas baseadas em mais de uma coluna, como métricas de precisão de modelo, column_name
é definido como :table
.
Para métricas de perfil, as seguintes colunas de agrupamento são usadas:
janela de oportunidade
granularidade (análise
TimeSeries
eInferenceLog
apenas)tipo logs - tabela de entrada ou tabela de linha de base
fatia key e valor
ID do modelo (
InferenceLog
análise apenas)
Para métricas de desvio, as seguintes colunas de agrupamento adicionais são usadas:
janela de tempo de comparação
tipo de desvio (comparação com a janela anterior ou comparação com a tabela de linha de base)
Os esquemas das tabelas de métricas são mostrados abaixo e também são mostrados na documentação de referência da API de monitoramento Databricks Lakehouse.
Esquema da tabela de métricas do perfil
A tabela a seguir mostra o esquema da tabela de métricas de perfil. Quando uma medição não é aplicável a uma linha, a célula correspondente é nula.
Nome da coluna |
Tipo |
Descrição |
---|---|---|
Agrupar colunas |
||
janela |
Estrutura. Veja [1] abaixo. |
Janela de oportunidade. |
granularidade |
String |
Duração da janela, definida pelo parâmetro |
model_id_col |
String |
Opcional. Usado apenas para o tipo de análise |
logs |
String |
Tabela usada para calcular métricas. LINHA DE BASE ou ENTRADA. |
slice_key |
String |
Expressão de fatia. NULL para default, que são todos os dados. |
valor_fatia |
String |
Valor da expressão de divisão. |
nome da coluna |
String |
Nome da coluna na tabela primária. |
tipo de dados |
String |
Tipo de dados Spark de |
logging_table_commit_version |
int |
Ignorar. |
versão_monitor |
bigint |
Versão da configuração do monitor usada para calcular as métricas na linha. Consulte [3] abaixo para obter detalhes. |
Colunas de métricas - estatísticas resumidas |
||
contar |
bigint |
Número de valores não nulos. |
num_nulls |
bigint |
Número de valores nulos em |
média |
dobro |
Média aritmética da coluna, incluindo nulos. |
quantil |
|
Matriz de 1.000 quantis. Veja [4] abaixo. |
contagem_distinta |
bigint |
Número de valores distintos em |
min |
dobro |
Valor mínimo em |
máximo |
dobro |
Valor máximo em |
stddev |
dobro |
Desvio padrão de |
num_zeros |
bigint |
Número de zeros em |
num_nan |
bigint |
Número de valores NaN em |
min_size |
dobro |
Tamanho mínimo de arrays ou estruturas em |
tamanho máximo |
dobro |
Tamanho máximo de arrays ou estruturas em |
tamanho_médio |
dobro |
Tamanho médio de arrays ou estruturas em |
min_len |
dobro |
Comprimento mínimo de strings e valores binários em |
max_len |
dobro |
Comprimento máximo de strings e valores binários em |
avg_len |
dobro |
Comprimento médio de strings e valores binários em |
itens_frequentes |
Estrutura. Veja [1] abaixo. |
Os 100 itens que ocorrem com mais frequência. |
non_null_columns |
|
Lista de colunas com pelo menos um valor não nulo. |
mediana |
dobro |
Valor médio de |
percent_null |
dobro |
Porcentagem de valores nulos em |
percent_zeros |
dobro |
Porcentagem de valores que são zero em |
percent_distinct |
dobro |
Porcentagem de valores que são distintos em |
Colunas de métricas - precisão do modelo de classificação [5] |
||
exatidão_pontuação |
dobro |
Precisão do modelo, calculada como (número de previsões corretas / número total de previsões), ignorando valores nulos. |
matriz_confusão |
Estrutura. Veja [1] abaixo. |
|
precisão |
Estrutura. Veja [1] abaixo. |
|
lembrar |
Estrutura. Veja [1] abaixo. |
|
f1_score |
Estrutura. Veja [1] abaixo. |
|
Colunas de métricas - precisão do modelo de regressão [5] |
||
erro_quadrado_médio |
dobro |
Erro quadrático médio entre |
root_mean_squared_error |
dobro |
Raiz do erro quadrático médio entre |
mean_average_error |
dobro |
Erro médio médio entre |
mean_absolute_percentage_error |
dobro |
Erro percentual médio absoluto entre |
r2_score |
dobro |
Pontuação do R-quadrado entre |
Colunas de métricas - justiça e preconceito [6] |
||
paridade_preditiva |
dobro |
Mede se os dois grupos têm precisão igual em todas as classes previstas. |
preditiva_igualdade |
dobro |
Mede se os dois grupos têm taxas de falsos positivos iguais em todas as classes previstas. |
oportunidade igual |
dobro |
Mede se os dois grupos têm recall igual em todas as classes previstas. |
paridade_estatística |
dobro |
Mede se os dois grupos têm taxa de aceitação igual. A taxa de aceitação aqui é definida como a probabilidade empírica de ser prevista como uma determinada classe, em todas as classes previstas. |
[1] Formato da estrutura para confusion_matrix
, precision
, recall
e f1_score
:
Nome da coluna |
Tipo |
---|---|
janela |
|
itens_frequentes |
|
matriz_confusão |
|
precisão |
|
lembrar |
|
f1_score |
|
[2] Para perfis de séries temporais ou de inferência, o monitor olha para trás 30 dias a partir do momento em que o monitor é criado. Devido a esse corte, a primeira análise pode incluir uma janela parcial. Por exemplo, o limite de 30 dias pode cair no meio de uma semana ou mês e, nesse caso, a semana ou o mês inteiro não é incluído no cálculo. Esse problema afeta apenas a primeira janela.
[3] A versão mostrada nesta coluna é a versão usada para calcular as estatísticas na linha e pode não ser a versão atual do monitor. Cada vez que você refresh as métricas, o monitor tenta recalcular as métricas calculadas anteriormente usando a configuração atual do monitor. A versão atual do monitor aparece nas informações do monitor retornadas pela API e pelo cliente Python.
[4] Código de exemplo para recuperar o percentil 50: SELECT element_at(quantiles, int((size(quantiles)+1)/2)) AS p50 ...
ou SELECT quantiles[500] ...
.
[5] Mostrado apenas se o monitor tiver o tipo de análise InferenceLog
e ambos label_col
e prediction_col
forem fornecidos.
[6] Mostrado apenas se o monitor tiver tipo de análise InferenceLog
e problem_type
for classification
.
Esquema da tabela de métricas de desvio
A tabela a seguir mostra o esquema da tabela de métricas de desvio. A tabela de desvio é gerada apenas se uma tabela de linha de base for fornecida ou se existir uma janela de tempo consecutiva após a agregação de acordo com as granularidades especificadas.
Nome da coluna |
Tipo |
Descrição |
---|---|---|
Agrupar colunas |
||
janela |
|
Janela de oportunidade. |
window_cmp |
|
Janela de comparação para drift_type |
drift_type |
String |
LINHA DE BASE ou CONSECUTIVO. Se as métricas de desvio se comparam à janela de tempo anterior ou à tabela de linha de base. |
granularidade |
String |
Duração da janela, definida pelo parâmetro |
model_id_col |
String |
Opcional. Usado apenas para o tipo de análise |
slice_key |
String |
Expressão de fatia. NULL para default, que são todos os dados. |
valor_fatia |
String |
Valor da expressão de divisão. |
nome da coluna |
String |
Nome da coluna na tabela primária. |
tipo de dados |
String |
Tipo de dados Spark de |
versão_monitor |
bigint |
Versão da configuração do monitor usada para calcular as métricas na linha. Consulte [8] abaixo para obter detalhes. |
Colunas de métricas - desvio |
As diferenças são calculadas como janela atual - janela de comparação. |
|
contagem_delta |
dobro |
Diferença em |
avg_delta |
dobro |
Diferença em |
percent_null_delta |
dobro |
Diferença em |
percent_zeros_delta |
dobro |
Diferença em |
percent_distinct_delta |
dobro |
Diferença em |
non_null_columns_delta |
|
Número de colunas com qualquer aumento ou diminuição em valores não nulos. |
qui_quadrado_teste |
|
Teste qui-quadrado para deriva na distribuição. |
ks_test |
|
Teste KS para desvio na distribuição. Calculado apenas para colunas numéricas. |
tv_distance |
dobro |
Distância de variação total para deriva na distribuição. |
l_infinity_distance |
dobro |
Distância L-infinita para deriva na distribuição. |
js_distance |
dobro |
Distância de Jensen-Shannon para deriva na distribuição. Calculado apenas para colunas categóricas. |
wasserstein_distance |
dobro |
Flutua entre duas distribuições numéricas usando os indicadores de distância de Wasserstein. |
população_estabilidade_índice |
dobro |
métricas para comparar o desvio entre duas distribuições numéricas usando o índice de estabilidade populacional. Consulte [9] abaixo para obter detalhes. |
[7] Para perfis de séries temporais ou de inferência, o monitor olha para trás 30 dias a partir do momento em que o monitor é criado. Devido a esse corte, a primeira análise pode incluir uma janela parcial. Por exemplo, o limite de 30 dias pode cair no meio de uma semana ou mês e, nesse caso, a semana ou o mês inteiro não é incluído no cálculo. Esse problema afeta apenas a primeira janela.
[8] A versão mostrada nesta coluna é a versão usada para calcular as estatísticas na linha e pode não ser a versão atual do monitor. Cada vez que você refresh as métricas, o monitor tenta recalcular as métricas calculadas anteriormente usando a configuração atual do monitor. A versão atual do monitor aparece nas informações do monitor retornadas pela API e pelo cliente Python.
[9] O resultado do índice de estabilidade populacional é um valor numérico que representa quão diferentes são duas distribuições. O intervalo é [0, inf). PSI < 0,1 significa que não há mudança significativa na população. PSI < 0,2 indica mudança populacional moderada. PSI >= 0,2 indica mudança populacional significativa.