Pagrindinė, pagrindinė modelio perkvalifikavimo priežastis yra ta, kad išorinis pasaulis, kuris yra prognozuojamas, nuolat kinta, todėl keičiasi ir pagrindiniai duomenys, sukeldami modelio nukrypimą.
Dinaminė aplinka
- Nuolat kintantys klientų pageidavimai.
- Sparčiai kintanti konkurencinė erdvė.
- Geografiniai poslinkiai.
- Ekonominiai veiksniai.
Kas yra modelio perkvalifikavimas?
Greičiau perkvalifikavimas reiškia pakartotinai paleisti procesą, kuris sugeneravo anksčiau pasirinktą modelį naujame mokymo duomenų rinkinyjeFunkcijos, modelio algoritmas ir hiperparametrų paieškos erdvė turėtų išlikti tokie patys. Vienas iš būdų apie tai galvoti yra tai, kad perkvalifikuojant kodą nereikia keisti.
Kaip dažnai reikia saugoti duomenų modelį?
Organizacija turėtų saugoti duomenis tik kol jų reikia, nesvarbu, ar tai šeši mėnesiai, ar šešeri metai. Duomenų saugojimas ilgiau nei būtina užima nereikalingą vietą saugykloje ir kainuoja daugiau, nei reikia.
Kodėl modelio perkvalifikavimas yra svarbus?
Tai parodo, kodėl svarbu persikvalifikuoti! Kadangi yra daugiau duomenų, iš kurių galima pasimokyti, o modeliai, kurių išmoko modelis, nebėra pakankamai geri. Pasaulis keičiasi, kartais greitai, kartais lėtai, bet jis tikrai keičiasi ir mūsų modelis turi keistis kartu su juo.
Kaip išlaikyti mašininio mokymosi modelį?
Stebėkite mokymą ir duomenų pateikimą dėl užteršimo
- Patvirtinkite gaunamus duomenis. …
- Patikrinkite, ar nėra treniruočių pasvirimo. …
- Sumažinkite treniruočių pateikimo iškrypimą treniruodami teikiamas funkcijas. …
- Periodiškai apkarpykite nereikalingas funkcijas. …
- Prieš įdiegdami patvirtinkite modelį. …
- Shadow išleiskite savo modelį. …
- Stebėkite modelio būklę.
