Den mest grunnleggende, grunnleggende årsaken til modellomskolering er at omverdenen som blir spådd fortsetter å endre seg, og følgelig endres de underliggende dataene, noe som forårsaker modelldrift.
Dynamiske miljøer
- Kundepreferanser i stadig endring.
- Raskt bevegende konkurranseområde.
- Geografiske endringer.
- Økonomiske faktorer.
Hva er omskolering av en modell?
Snarere omskolering refererer ganske enkelt til å kjøre prosessen som genererte den tidligere valgte modellen på nytt på et nytt opplæringssett med dataFunksjonene, modellalgoritmen og hyperparametersøkeområdet skal alle forbli de samme. En måte å tenke på dette på er at omskolering ikke innebærer noen kodeendringer.
Hvor ofte bør en datamodell beholdes?
En organisasjon bør bare beholde data i så lenge det er nødvendig, enten det er seks måneder eller seks år. Å beholde data lenger enn nødvendig tar opp unødvendig lagringsplass og koster mer enn nødvendig.
Hvorfor er modellomskolering viktig?
Dette viser hvorfor omskolering er viktig! Ettersom er det mer data å lære av, og mønstrene som modellen har lært er ikke gode nok lenger. Verden endrer seg, noen ganger fort, noen ganger sakte, men den endrer seg definitivt, og modellen vår må endres med den.
Hvordan vedlikeholder du en maskinlæringsmodell?
Overvåk opplæring og visningsdata for kontaminering
- Valider de innkommende dataene dine. …
- Sjekk for skjevhet i treningsservering. …
- Minimer skjevheter mellom trening og servering ved å trene på serverte funksjoner. …
- Beskjær overflødige funksjoner med jevne mellomrom. …
- Valider modellen din før distribusjon. …
- Shadow slipper modellen din. …
- Overvåk modellens helse.
