Logo bg.boatexistence.com

Кои са сценариите, които могат да доведат до преквалифициране на модел?

Съдържание:

Кои са сценариите, които могат да доведат до преквалифициране на модел?
Кои са сценариите, които могат да доведат до преквалифициране на модел?

Видео: Кои са сценариите, които могат да доведат до преквалифициране на модел?

Видео: Кои са сценариите, които могат да доведат до преквалифициране на модел?
Видео: Насоки и съвети за 28.08-03-09 2024, Може
Anonim

Най-основната, фундаментална причина за преквалификация на модела е, че външният свят, който се прогнозира, продължава да се променя и следователно основните данни се променят, причинявайки отклонение на модела.

Динамични среди

  • Постоянно променящи се предпочитания на клиента.
  • Бързо движещо се конкурентно пространство.
  • Географски измествания.
  • Икономически фактори.

Какво е преквалифициране на модел?

По-скоро преобучение просто препраща за повторно стартиране на процеса, генерирал по-рано избрания модел върху нов набор от данни за обучениеХарактеристиките, алгоритъмът на модела и пространството за търсене на хиперпараметри трябва да останат същите. Един от начините да помислите за това е, че преквалификацията не включва никакви промени в кода.

Колко често трябва да се запазва модел на данни?

Една организация трябва да съхранява данни само за , докато е необходимо, независимо дали това е шест месеца или шест години. Запазването на данни по-дълго от необходимото заема ненужно място за съхранение и струва повече от необходимото.

Защо преквалификацията на модел е важна?

Това показва защо преквалификацията е важна! Тъй като има повече данни, от които да се учи и моделите, които моделът е научил, вече не са достатъчно добри. Светът се променя, понякога бързо, понякога бавно, но определено се променя и нашият модел трябва да се промени с него.

Как поддържате модел на машинно обучение?

Монитор на данни за обучение и обслужване за замърсяване

  1. Проверете входящите си данни. …
  2. Проверете за изкривяване на тренировка-сервиране. …
  3. Намалете до минимум изкривяването при обучение и обслужване чрез обучение на обслужвани функции. …
  4. Отрязвайте периодично излишните функции. …
  5. Проверете модела си преди внедряване. …
  6. Освободете своя модел в сянка. …
  7. Наблюдавайте здравето на вашия модел.

Препоръчано: