Bir modeli uygularken basit bir başlangıç yapın. Makine öğreniminde yapılan işlerin büyük bölümü veri tarafındadır. Bu nedenle, karmaşık bir model için tam bir ardışık düzen çalıştırmak, modelin kendisinde yineleme yapmaktan daha zordur. Veri ardışık düzeninizi oluşturduktan ve birkaç özellik kullanan basit bir model uyguladıktan sonra, daha iyi bir model oluşturmak için işlemi yineleyebilirsiniz.
Basit modeller, siz lansmanda bulunmasanız bile iyi bir temel oluşturur. Aslına bakılırsa, basit bir model kullanmak muhtemelen düşündüğünüzden daha iyi olacaktır. Basit bir başlangıç yapmak, karmaşık bir modelin uygun olup olmadığını belirlemenize yardımcı olur.
Kendi modelinizi eğitme ve önceden eğitilmiş bir model kullanma karşılaştırması
Önceden eğitilmiş birçok model çeşitli kullanım alanları için bulunur ve birçok avantaj sunar. Ancak önceden eğitilmiş modeller yalnızca etiket ve özellikler veri kümenizle tam olarak eşleştiğinde gerçekten çalışır. Örneğin, önceden eğitilmiş bir model 25 özellik kullanıyorsa ve veri kümenizde bunlardan yalnızca 24 tane varsa, önceden eğitilmiş model büyük olasılıkla kötü tahminlerde bulunacaktır.
ML uygulayıcıları öğrenmeyi hassas bir şekilde ayarlamak veya aktarmak için genellikle önceden eğitilmiş bir modeldeki eşleşen giriş alt bölümlerini kullanır. Sizin özel kullanım alanınız için önceden eğitilmiş bir model yoksa kendi kullanım alanınızı eğitirken önceden eğitilmiş bir modelin alt bölümlerini kullanabilirsiniz.
Önceden eğitilmiş modeller hakkında bilgi edinmek için
İzleme
Sorun çerçeveleme sırasında makine öğrenimi çözümünüzün ihtiyacı olan izleme ve uyarı altyapısını göz önünde bulundurun.
Model dağıtımı
Bazı durumlarda, yeni eğitilmiş bir model, şu anda üretimde olan modelden daha kötü olabilir. Öyleyse üretim sürümünün yayınlanmasını önlemek ve otomatik dağıtımınızın başarısız olduğuna dair bir uyarı almak istersiniz.
Eğitim-sunum sapması
Çıkarım için kullanılan gelen özelliklerden herhangi birinin eğitimde kullanılan verilerin dağıtım aralığının dışında kalan değerleri varsa modelin kötü tahminler yapma olasılığı yüksek olduğundan uyarı almak istersiniz. Örneğin, modeliniz ekvator şehirleri için deniz seviyesinde sıcaklıkları tahmin edecek şekilde eğitildiyse hizmet sisteminiz, gelen veriler konusunda modelin eğitildiği aralığın dışındaki enlem, boylam ve/veya rakımlarla ilgili olarak sizi uyarmalıdır. Buna karşılık, modelin eğitim sırasında görülen dağıtım aralığının dışında tahminler yapması durumunda sunum sistemi sizi uyarmalıdır.
Çıkarım sunucusu
Bir RPC sistemi üzerinden çıkarımlar sağlıyorsanız RPC sunucusunun kendisini izlemek ve çıkarım sağlamayı durdurursa bir uyarı almak istersiniz.