Logo ca.boatexistence.com

Quins són els escenaris que poden provocar que un model es torni a formar?

Taula de continguts:

Quins són els escenaris que poden provocar que un model es torni a formar?
Quins són els escenaris que poden provocar que un model es torni a formar?

Vídeo: Quins són els escenaris que poden provocar que un model es torni a formar?

Vídeo: Quins són els escenaris que poden provocar que un model es torni a formar?
Vídeo: V. Completa. "En un mundo adicto a la velocidad, la lentitud es un superpoder". Carl Honoré,escritor 2024, Maig
Anonim

La raó més bàsica i fonamental per al reciclatge de models és que el món exterior que s'està predint segueix canviant i, en conseqüència, les dades subjacents canvien, provocant una deriva del model.

Entorns dinàmics

  • Preferència del client en constant canvi.
  • Espai competitiu en moviment ràpid.
  • Canvis geogràfics.
  • Factors econòmics.

Què és reciclar un model?

El reciclatge més aviat es refereix a tornar a executar el procés que va generar el model seleccionat anteriorment en un nou conjunt de dades d'entrenamentLes característiques, l'algoritme del model i l'espai de cerca d'hiperparàmetres haurien de romandre iguals. Una manera de pensar-ho és que el reciclatge no implica cap canvi de codi.

Amb quina freqüència s'ha de conservar un model de dades?

Una organització només hauria de conservar les dades de mentre sigui necessari, ja siguin sis mesos o sis anys. Conservar les dades més temps del necessari ocupa espai d'emmagatzematge innecessari i costa més del necessari.

Per què és important el reciclatge de models?

Això demostra per què el reciclatge és important! Com a , hi ha més dades per aprendre i els patrons que ha après el model ja no són prou bons. El món canvia, de vegades ràpid, de vegades lent, però definitivament canvia i el nostre model ha de canviar amb ell.

Com es manté un model d'aprenentatge automàtic?

Controlar la formació i la publicació de dades per a la contaminació

  1. Valida les teves dades entrants. …
  2. Comproveu si hi ha una inclinació de servei d'entrenament. …
  3. Minimitza el sesg de servei d'entrenament mitjançant l'entrenament sobre les funcions que ofereix. …
  4. Poda les funcions redundants periòdicament. …
  5. Valida el teu model abans de desplegar-lo. …
  6. Shadow llança el teu model. …
  7. Controleu l'estat del vostre model.

Recomanat: