Najosnovniji, temeljni razlog za preobuku modela je taj vanjski svijet koji se predviđa stalno se mijenja i posljedično se mijenjaju temeljni podaci, uzrokujući pomak modela.
. …
Dinamična okruženja
- Stalno mijenjajuće preferencije kupaca.
- Natjecateljski prostor koji se brzo kreće.
- Geografski pomaci.
- Ekonomski čimbenici.
Što je prekvalifikacija modela?
Radije ponovna obuka jednostavno upućuje na ponovno izvođenje procesa koji je generirao prethodno odabrani model na novom skupu podataka za obukuZnačajke, algoritam modela i prostor za pretraživanje hiperparametara trebaju ostati isti. Jedan način razmišljanja o tome je da prekvalifikacija ne uključuje nikakve promjene koda.
Koliko često treba zadržati podatkovni model?
Organizacija bi trebala zadržati podatke samo koliko je to potrebno, bilo da je to šest mjeseci ili šest godina. Zadržavanje podataka dulje nego što je potrebno zauzima nepotreban prostor za pohranu i košta više nego što je potrebno.
Zašto je prekvalifikacija modela važna?
Ovo pokazuje zašto je prekvalifikacija važna! Kako ima više podataka za učenje, a uzorci koje je model naučio više nisu dovoljno dobri. Svijet se mijenja, ponekad brzo, ponekad sporo, ali se definitivno mijenja i naš model se mora mijenjati s njim.
Kako održavati model strojnog učenja?
Pratite obuku i posluživanje podataka za kontaminaciju
- Provjerite svoje dolazne podatke. …
- Provjerite zakrivljenost za trening-serviranje. …
- Minimizirajte iskrivljenje posluživanja treninga treniranjem na serviranim značajkama. …
- Povremeno smanjite suvišne značajke. …
- Provjerite svoj model prije implementacije. …
- Shadow otpustite svoj model. …
- Pratite zdravlje svog modela.
