Logo da.boatexistence.com

Hvilke scenarier kan få en model til at blive omskolet?

Indholdsfortegnelse:

Hvilke scenarier kan få en model til at blive omskolet?
Hvilke scenarier kan få en model til at blive omskolet?

Video: Hvilke scenarier kan få en model til at blive omskolet?

Video: Hvilke scenarier kan få en model til at blive omskolet?
Video: Guide to Retraining Machine Learning Models (Blog Walkthrough) 2024, Kan
Anonim

Den mest grundlæggende, grundlæggende årsag til modelomskoling er, at den omverden, der forudsiges, bliver ved med at ændre sig, og følgelig ændrer de underliggende data sig, hvilket forårsager modeldrift.

Dynamiske miljøer

  • Kundepræferencer i konstant forandring.
  • Hurtigt bevægende konkurrenceområde.
  • Geografiske skift.
  • Økonomiske faktorer.

Hvad er omskoling af en model?

Snarere omskoling henviser simpelthen til at genkøre processen, der genererede den tidligere valgte model på et nyt træningssæt med dataFunktionerne, modelalgoritmen og hyperparametersøgerummet bør alle forblive de samme. En måde at tænke dette på er, at omskoling ikke involverer nogen kodeændringer.

Hvor ofte skal en datamodel opbevares?

En organisation bør kun opbevare data i så længe det er nødvendigt, uanset om det er seks måneder eller seks år. At opbevare data længere end nødvendigt optager unødvendig lagerplads og koster mere end nødvendigt.

Hvorfor er modelomskoling vigtig?

Dette viser, hvorfor genoptræning er vigtig! Som er der flere data at lære af, og de mønstre, som modellen har lært, er ikke længere gode nok. Verden ændrer sig, nogle gange hurtigt, nogle gange langsomt, men den ændrer sig bestemt, og vores model skal ændre sig med den.

Hvordan vedligeholder du en maskinlæringsmodel?

Overvåg trænings- og visningsdata for kontaminering

  1. Valider dine indgående data. …
  2. Tjek for skævhed til træning og servering. …
  3. Minimer skævheder til træning og servering ved at træne på serverede funktioner. …
  4. Beskær overflødige funktioner med jævne mellemrum. …
  5. Valider din model før implementering. …
  6. Shadow frigiver din model. …
  7. Overvåg din models helbred.

Anbefalede: