如何更新你的机器学习模型？手把手带你设计一个可持续的预测模型！.docx

《如何更新你的机器学习模型？手把手带你设计一个可持续的预测模型！.docx》由会员分享，可在线阅读，更多相关《如何更新你的机器学习模型？手把手带你设计一个可持续的预测模型！.docx（6页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、如何更新你的机器学习模型？手把手带你设计一个可持续的预测模型！11月30日，2021亚马逊云科技re:Invent全球大会，即将浩大开启！2021re:Invent十周年度十分活动，内容的饕餮盛宴，涵盖产品、行业、社区等专题！立即预约|CloudFactory译者|天道酬勤责编|徐威龙出品|AI科技大本营ID:rgznai100高效的机器学习模型需要高质量的数据。训练你的机器学习模型并不是经过中的单个有限阶段。即使将其部署到消费环境中可以能需要稳定的新训练数据流来确保模型随时间推移的预测准确性。毕竟训练数据会显式地调用数据集中的属性这些属性代表外部世界中不断变化的根本事实。假如不进展周期性的重

2、新训练随着现实世界变量的演变模型的准确性自然会随时间下降。在本文中我们将讨论为什么不管你的初始训练数据经过多么严格继续训练你的机器学习模型都是至关重要的。我们还将讨论再训练的方法和每种方法的优点。最后我们将介绍怎样在任何机器学习工程开场时预见对后续更新的需求。通过从一开场就建立再训练流程帮你设计一个可持续的预测模型。数据漂移与再训练需求为什么大多数机器学习模型都需要更新才能保持准确性答案在于训练数据的性质和它怎样告知机器学习模型的预测功能。训练数据是一个静态数据集机器学习模型可从该数据集中推断出形式以及关系并形成对将来的预测。随着现实世界条件的变化训练数据的根本事实方面表示可能会不太准确。想象

3、一下用于预测50个大型都会区租金本钱的机器学习模型。从2000年度到2019年度的训练数据可能会以惊人的准确性预测2020年度的租金价格。在预测2050年度的租金价格时这种方法可能会不太有效因为房地产市场的根本性质可能在将来几十年度内发生变化。应用自然语言处理NLP来训练聊天机器人提供了数据漂移的另一个有用的例子。我们使用语言的方式正在不断演变因此必须更新用于聊天机器人的训练数据的语义分析来反映当前的语言。想象一下尝试使用1980年度代的培训数据来训练聊天机器人与当代消费者进展互动。在40年度中语言可能会发生重大变化这迫使人们需要更新训练数据。这一现象已经有了多种描绘方法包括数据漂移、概念漂移

4、以及模型衰减。不管你怎么称呼它它都代表了机器学习的硬道理在将来的某个时候你的训练数据将不再为准确的预测提供根底。怎样应对这个不可防止的挑战呢答案是定期使用新的或者扩展的数据重新训练你的模型。实际上训练你的模型是一个持续的经过十分是在质量要求很高的情况下。你应该怎样更新你的机器学习模型简单来讲你有两个选择使用更新的输入手动重新训练模型或者构建一个旨在从新数据中不断学习的模型。手动模型重新训练方法手动更新机器学习模型的方法本质上是复制你的初始训练数据经过但要使用一组更新的数据输入。在这种情况下你可以决定怎样和何时向算法提供新数据。此选项的可行性取决于你定期获取以及准备新训练数据的才能。你可以随时监

5、控模型的性能确定何时需要更新。假如模型的准确性明显下降那么可能需要对更新的数据进展重新训练。这种方法的优点之一是修修补补通常可以带来真知灼见以及创新。假如亲密监视模型并找出缺点你可能会发现包含额外数据或者以更根本的方式修改算法的价值。模型训练的持续学习方法持续学习模型通常会从部署了数据的消费环境中合并新的数据流。消费者每天都会介入持续学习的机器学习模型。以音乐流媒体平台Spotify为例该平台使用协作过滤功能根据具有相似爱好的其他用户的偏好向用户提供推荐来创造价值以及竞争优势。当Spotify用户收听音乐时与他们的选择有关的数据会反应到公司的预测算法中。由此产生的反应循环完善了该应用为其用户提

6、供的推荐并允许高级个性化设置例如机器生成的个性化播放列表。Netflix等其他领先的消费媒体效劳提供商也使用类似的持续学习系统。如你所料构建这些系统所需的技术专业知识以及资源对于许多组织来讲根本无法知足。此外你需要稳定的数据流来进展自动集成。在持续学习模型中人为干预是可能的但它代表了一个真正的瓶颈。例如Spotify在将其数百万用户生成的数据反应回其算法之前不需要对其进展清理或者格式化。无论是手动更新还是持续学习似乎都是更有效可行的选择你需要从战略上考虑用于生成新数据来进展再培训的劳动力以及技术。假如你打算在可预见的将来使用你的模型那么需要适宜的资源来保持该模型最新。预测进化选择团队创立训练数

7、据需要人员、流程以及工具的战略组合。要解决采集、清理以及标记数据的模糊性你需要一个高效的技术人员团队其中包括纯熟的技术人员以及先进的技术。许多组织无法管理或者扩展内部团队来准备训练数据因此他们寻求利用人类智能的替代方法。众包劳动力是一种常见选择它使你可以在短时间内找到数百名匿名工人。然而匿名众包带来了隐性本钱包括与员工的沟通不畅这可能导致工作质量低下。而且假如在开发初期训练数据集时这些缺点很明显那么当你尝试重新训练以及更新模型时这些缺点将让人十分沮丧。在一群匿名的众包工人的情况下几乎不可能进展监视或者转移机构记忆。每次开发新的训练数据时都有发现新的不一致以及性能问题的风险。或者许你可以以选择另

8、一种方式将这个问题外包给靠谱的、专业解决这种问题的企业会更有保障。假如有不清楚的地方或者其他意见欢送评论告诉我们。原文s:/hackernoon/how-to-keep-your-machine-learning-models-up-to-date-vd5z3yzw【end】有奖征文推荐浏览怎样用JupyterNotebook制作新冠病毒疫情追踪器万人马拉松赛事人脸识别系统怎样快速、准确完成校验打破性能极限阿里云神龙最新ASPLOS论文解读DevOps转型时怎样平安融入对企业产出有何影响2019年度DevOps最新现状研究报告解读百万人学AICSDN重磅共建人工智能技术新生态漫画怎样给女朋友解释什么是熔断你点的每个“在看我都认真当成了AIAI科技大本营