Najbardziej podstawowym, fundamentalnym powodem ponownego uczenia modelu jest to, że przewidywany świat zewnętrzny ciągle się zmienia, a w konsekwencji zmieniają się dane bazowe, powodując dryf modelu.
Dynamiczne środowiska
- Ciągle zmieniające się preferencje klientów.
- Szybko przemieszczająca się konkurencyjna przestrzeń.
- Zmiany geograficzne.
- Czynniki ekonomiczne.
Co to jest przekwalifikowanie modelu?
Raczej ponowne szkolenie odnosi się po prostu do ponownego uruchomienia procesu, który wygenerował poprzednio wybrany model na nowym uczącym zbiorze danychCechy, algorytm modelu i przestrzeń przeszukiwania hiperparametrów powinny pozostać takie same. Jednym ze sposobów myślenia o tym jest to, że ponowne szkolenie nie wiąże się z żadnymi zmianami w kodzie.
Jak często należy przechowywać model danych?
Organizacja powinna przechowywać dane tylko przez tak długo, jak jest to potrzebne, niezależnie od tego, czy jest to sześć miesięcy, czy sześć lat. Przechowywanie danych dłużej niż to konieczne zajmuje niepotrzebną przestrzeń dyskową i kosztuje więcej niż to konieczne.
Dlaczego przekwalifikowanie modelu jest ważne?
To pokazuje, dlaczego przekwalifikowanie jest ważne! Ponieważ jest więcej danych, z których można się uczyć, wzorce, których nauczył się model, nie są już wystarczająco dobre. Świat się zmienia, czasem szybko, czasem wolno, ale zdecydowanie się zmienia i nasz model musi się zmieniać razem z nim.
Jak utrzymujesz model uczenia maszynowego?
Monitoruj dane szkolenia i obsługi pod kątem zanieczyszczenia
- Weryfikuj przychodzące dane. …
- Sprawdź skos obsługi szkolenia. …
- Zminimalizuj przekrzywienie obsługi szkolenia poprzez szkolenie w zakresie obsługiwanych funkcji. …
- Od czasu do czasu przycinaj nadmiarowe funkcje. …
- Zweryfikuj swój model przed wdrożeniem. …
- Shadow uwolnij swój model. …
- Monitoruj stan swojego modelu.
