此页面由 Cloud Translation API 翻译。 生产机器学习系统：测试您的知识 返回到课程 您正在使用机器学习构建一个分类模型来预测独角兽外形。您的数据集详细列出了 10,000 次独角兽出现和 10,000 次非独角兽非外观。该数据集包含位置、时间、海拔、温度、湿度、树木覆盖率、是否出现彩虹以及其他几个特征。 启动独角兽外观预测器后，您需要使用新数据重新训练，让模型保持最新状态。由于要收集的新数据太多，因此您需要对一段时间内的新数据进行采样，以限制训练数据。你还需要考虑独角兽的日常和每年外观。您会选择哪个时间段？ 需要一天，因为较长的窗口会产生大量的数据，而且模型训练需要的时间也会太长。 一周，确保您的数据集不会太大，但您仍然可以理顺规律。 一年，以确保模型不受每年模式产生偏差。 启动您的独角兽外观预测器。很好用！您去度假，三周后回来，发现模型质量明显下降。假设独角兽的行为在三周内不太可能发生显著变化。最可能的原因是什么？ 训练-应用偏差：在模型开始提供数据后的某个时间点，应用数据的格式逐渐发生变化。 在训练期间，您将准确率用作了一项指标。 您的模型已过时。 以上都不对。 您查看了模型对南极洲的预测，发现自从模型发布到生产环境后，模型在南极洲的预测一直很糟糕。以下哪项可能是问题的根源？ 您没有足够的南极洲训练样本。 您使用了动态训练而不是静态训练。 您的模型已过时。 以上全部。 您的独角兽外观预测程序已经运行了一年。您已修正许多问题，质量现在也很高。不过，您注意到一个小问题，但这个问题一直存在。在市区，您的模型质量略有下降。原因可能是什么？ 高质量的预测结果会让用户轻松找到独角兽，这会影响独角兽的外观行为。 市区很难建模。 在人口密集的地区会多次报告独角兽出现的情况，导致训练数据出现偏差。 通过排查，您大幅度提高了独角兽模型的预测质量，结果使用量增加了十倍。然而，用户现在抱怨模型速度极慢；推理请求通常需要超过 30 秒才能返回预测。以下哪项更改有助于解决此问题？ 将模型从动态训练切换为静态训练。 将模型从动态推理切换为静态推理。 在应用之前验证模型质量。 上述解决方案都没有帮助。 提交回答 error_outline 系统对测验进行评分时出现错误。请重试。
