Najbolj osnovni, temeljni razlog za preusposabljanje modela je, da se zunanji svet, ki se napoveduje, nenehno spreminja in posledično se spreminjajo osnovni podatki, kar povzroča premik modela.
Dinamična okolja
- Spremenljive želje strank.
- Hitro premikajoč se tekmovalni prostor.
- Geografski premiki.
- Ekonomski dejavniki.
Kaj je prekvalifikacija modela?
Raje preusposabljanje se preprosto nanaša za ponovno izvajanje procesa, ki je ustvaril predhodno izbran model na novem naboru podatkov za usposabljanjeFunkcije, algoritem modela in iskalni prostor hiperparametrov morajo ostati enaki. Eden od načinov razmišljanja o tem je, da ponovno usposabljanje ne vključuje nobenih sprememb kod.
Kako pogosto je treba hraniti podatkovni model?
Organizacija naj hrani podatke samo , dokler je to potrebno, ne glede na to, ali je to šest mesecev ali šest let. Hranjenje podatkov dlje, kot je potrebno, zavzame nepotreben prostor za shranjevanje in stane več, kot je potrebno.
Zakaj je prekvalifikacija modela pomembna?
To kaže, zakaj je prekvalifikacija pomembna! Ker obstaja več podatkov za učenje in vzorci, ki se jih je model naučil, niso več dovolj dobri. Svet se spreminja, včasih hitro, včasih počasi, vendar se zagotovo spremeni in naš model se mora spremeniti s tem.
Kako vzdržujete model strojnega učenja?
Spremljajte podatke o usposabljanju in serviranju za kontaminacijo
- Potrdite svoje dohodne podatke. …
- Preverite, ali je nagnjenost pri treningu-serviranju. …
- Minimizirajte poševnost med treningom in serviranjem z usposabljanjem na funkcijah, ki se servirajo. …
- Občasno odrežite odvečne funkcije. …
- Pred uvedbo preverite svoj model. …
- Shadow sprosti svoj model. …
- Spremljajte zdravje svojega modela.
