摘要
对于基本相同的数据，随着时间的推移，模型的预测精度将降低。它导致新数据的决策边界与早期数据/标签构建的模型的决策边界分歧。对随机抽样的新数据进行评分可以检测漂移，从而允许我们根据需要触发昂贵的重新标记/重新训练任务......没有什么是永恒不变的。甚至没有一个建立在成堆标记良好的数据智商的精心构建的模型。它的预测能力随着时间的推移而衰退。从广义上讲，模型有两种衰变方式。在数据漂移的情况下，数据随着
请登录后发表评论
登录
全部评论
All in AI
- 目录
- 为什么主流APP的推荐总能符合你口味？推荐系统了解一下
- 我是如何成为一名机器学习工程师，并很快找到工作的？
- 关于强化学习的事后经验回放，我是这样理解的
- 衡量机器学习模型性能，你可以试试利用ROC和CAP曲线！
- 神经网络是怎么“看”东西的？激活图告诉你
- 模型预测不在行？别慌，收下这篇TensorFlow指南
- 原来那个骚扰电话是AI打的！315晚会曝光的这“锅”AI背不背？
- 调查发现：年轻的开发人员更“钟情”于旧编程语言！
- 代码排名前1%的数据科学家揭露我们容易犯的十大编码错误！
- 这是一篇人脸检测基本实现最好懂的实践指南了！
- 一起开黑！OpenAI Five Arena向所有玩家开放
- 案例版名词解释：机器学习中的概念漂移！
- 数据太乱看不懂？教你用Python一招搞定！
- 实操讲解：使用Keras中的自动编码器进行极端罕见事件分类
- 实例讲解：我的强化学习初体验！
- 机器学习开篇第一步：如何设置Python环境？
- 人工智障 2 : 你看到的AI与智能无关
- 年度回顾：2018年度机器学习50大热门网文
- 从头开始强化学习：在Python笔记本中设计和解决任务
- 深度神经网络成长记：带你了解它的工作原理！
- 我是如何成为一名机器学习工程师，并很快找到工作的？
- 初识卷积神经网络第一讲！
- Gartner2019年的这波技术潮流你赶趟儿了没？
- Fox是如何利用机器学习俘获电影观众的心，让金刚狼3大卖的？
- 实例讲解：我的强化学习初体验！
- 实践篇：使用Spark和Scala来训练您的第一个分类器！
- 充电捷径：搞人工智能，你一定要读读这5本书！
- 马尔可夫链是个什么鬼？图文详解告诉你！
- AI For Everyone：吴恩达想用30分的非技术课程传达的内容
- 动手做：构建模型来预测Stack Overflow中的问题标签
