Logo nl.boatexistence.com

Wat zijn de scenario's die ertoe kunnen leiden dat een model wordt omgeschoold?

Inhoudsopgave:

Wat zijn de scenario's die ertoe kunnen leiden dat een model wordt omgeschoold?
Wat zijn de scenario's die ertoe kunnen leiden dat een model wordt omgeschoold?

Video: Wat zijn de scenario's die ertoe kunnen leiden dat een model wordt omgeschoold?

Video: Wat zijn de scenario's die ertoe kunnen leiden dat een model wordt omgeschoold?
Video: Windows on the future: modelling scenarios 2024, Mei
Anonim

De meest elementaire, fundamentele reden voor het hertrainen van modellen is dat de buitenwereld die wordt voorspeld blijft veranderen en bijgevolg de onderliggende gegevens veranderen, waardoor modeldrift ontstaat.

Dynamische omgevingen

  • Voortdurend veranderende klantvoorkeur.
  • Snel bewegende competitieve ruimte.
  • Geografische verschuivingen.
  • Economische factoren.

Wat is het omscholen van een model?

Hertraining verwijst gewoon naar het opnieuw uitvoeren van het proces dat het eerder geselecteerde model heeft gegenereerd op een nieuwe trainingsset met gegevensDe functies, het modelalgoritme en de hyperparameter-zoekruimte moeten allemaal hetzelfde blijven. Een manier om hier over na te denken is dat omscholing geen codewijzigingen met zich meebrengt.

Hoe vaak moet een datamodel worden bewaard?

Een organisatie mag gegevens alleen bewaren zolang als nodig is, of dat nu zes maanden of zes jaar is. Het langer bewaren van gegevens dan nodig neemt onnodige opslagruimte in beslag en kost meer dan nodig is.

Waarom is omscholing van modellen belangrijk?

Dit laat zien waarom omscholing belangrijk is! Omdat er meer gegevens zijn om van te leren en de patronen die het model heeft geleerd niet meer goed genoeg zijn. De wereld verandert, soms snel, soms langzaam, maar het verandert absoluut en ons model moet mee veranderen.

Hoe onderhoud je een machine learning-model?

Bewaak trainings- en serveergegevens voor besmetting

  1. Bevestig uw inkomende gegevens. …
  2. Controleer op scheefheid bij het serveren. …
  3. Minimaliseer de scheve weergave van de training door te trainen op aangeboden functies. …
  4. Snijd regelmatig overtollige functies weg. …
  5. Bevestig uw model voordat u het implementeert. …
  6. Shadow laat je model los. …
  7. Bewaak de gezondheid van je model.

Aanbevolen: