Logo pt.boatexistence.com

Quais são os cenários que podem fazer com que um modelo seja retreinado?

Índice:

Quais são os cenários que podem fazer com que um modelo seja retreinado?
Quais são os cenários que podem fazer com que um modelo seja retreinado?

Vídeo: Quais são os cenários que podem fazer com que um modelo seja retreinado?

Vídeo: Quais são os cenários que podem fazer com que um modelo seja retreinado?
Vídeo: Data Science Meet-up @ING 2024, Maio
Anonim

A razão mais básica e fundamental para o retreinamento do modelo é que o mundo exterior que está sendo previsto continua mudando e, consequentemente, os dados subjacentes mudam, causando desvio do modelo.

Ambientes dinâmicos

  • Preferência do cliente em constante mudança.
  • Espaço competitivo em movimento rápido.
  • Deslocamentos geográficos.
  • Fatores econômicos.

O que é retreinar um modelo?

Retreinamento simplesmente se refere à reexecução do processo que gerou o modelo selecionado anteriormente em um novo conjunto de dados de treinamentoOs recursos, o algoritmo do modelo e o espaço de pesquisa de hiperparâmetros devem permanecer os mesmos. Uma maneira de pensar sobre isso é que o retreinamento não envolve nenhuma alteração de código.

Com que frequência um modelo de dados deve ser retido?

Uma organização só deve reter dados por enquanto for necessário, sejam seis meses ou seis anos. A retenção de dados por mais tempo do que o necessário ocupa espaço de armazenamento desnecessário e custa mais do que o necessário.

Por que o retreinamento do modelo é importante?

Isso mostra por que o retreinamento é importante! Como há mais dados para aprender e os padrões que o modelo aprendeu não são mais bons o suficiente. O mundo muda, às vezes rápido, às vezes devagar, mas definitivamente muda e nosso modelo precisa mudar com ele.

Como você mantém um modelo de aprendizado de máquina?

Monitoramento de treinamento e fornecimento de dados para contaminação

  1. Valide seus dados recebidos. …
  2. Verifique se há distorção de veiculação de treinamento. …
  3. Minimize a distorção de veiculação de treinamento treinando em recursos veiculados. …
  4. Remova recursos redundantes periodicamente. …
  5. Valide seu modelo antes de implantar. …
  6. Shadow libere seu modelo. …
  7. Monitore a saúde do seu modelo.

Recomendado: