Det mest grundläggande, grundläggande skälet till modellomskolning är att omvärlden som förutsägs hela tiden förändras och följaktligen förändras de underliggande data, vilket orsakar modelldrift.
Dynamiska miljöer
- Kundens preferenser som ständigt förändras.
- Snabbt rörligt konkurrensutsatt utrymme.
- Geografiska förändringar.
- Ekonomiska faktorer.
Vad är att omskola en modell?
Snarare omskolning hänvisar helt enkelt till att köra om processen som genererade den tidigare valda modellen på en ny utbildningsuppsättning dataFunktionerna, modellalgoritmen och hyperparametersökutrymmet bör alla förbli desamma. Ett sätt att tänka på detta är att omskolning inte innebär några kodändringar.
Hur ofta ska en datamodell behållas?
En organisation bör bara behålla data i så länge det behövs, oavsett om det är sex månader eller sex år. Att lagra data längre än nödvändigt tar upp onödigt lagringsutrymme och kostar mer än nödvändigt.
Varför är modellomskolning viktigt?
Detta visar varför omskolning är viktigt! Eftersom finns det mer data att lära av och mönstren som modellen har lärt sig är inte tillräckligt bra längre. Världen förändras, ibland snabbt, ibland långsam men den förändras definitivt och vår modell måste förändras med den.
Hur underhåller du en maskininlärningsmodell?
Övervaka utbildnings- och visningsdata för kontaminering
- Validera din inkommande data. …
- Kontrollera för snedvridning av träningsservering. …
- Minimera snedvridning av träningsservering genom att träna på serverade funktioner. …
- Beskär redundanta funktioner med jämna mellanrum. …
- Validera din modell innan du distribuerar den. …
- Shadow släpp din modell. …
- Övervaka din modells hälsa.
