A análise preditiva: saber quando atualizar seu modelo
Por mais que você pode não gostar dele, seu trabalho de análise preditiva não é sobre quando o seu modelo vai viver. implantação bem-sucedida do modelo em produção há tempo para relaxar. Você precisa acompanhar de perto a sua precisão e desempenho ao longo do tempo. Um modelo tende a degradar ao longo do tempo (alguns mais rápido do que outros) - e uma nova infusão de energia é necessária de tempos em tempos para manter esse modelo instalado e funcionando. Para ficar bem sucedido, um modelo deve ser revisitados e reavaliados à luz dos novos dados e novas circunstâncias.
Se as condições mudam para que eles não se encaixam formação original do modelo, então você vai ter que voltar a treinar o modelo para atender às novas condições. Tais exigindo novas condições incluem
- Uma mudança geral no objetivo de negócio
- A adoção de - ea migração para - tecnologia nova e mais poderosa
- O surgimento de novas tendências no mercado
- A prova de que a concorrência está a aproximar-se
Seu plano estratégico deve incluir ficar alerta para qualquer necessidade emergente para atualizar seu modelo e levá-la ao próximo nível, mas atualizar seu modelo deve ser um processo contínuo de qualquer maneira. Você vai continuar aprimorando entradas e saídas, incorporando novos fluxos de dados, como treinar o modelo para as novas condições e continuamente aperfeiçoando suas saídas. Manter estes objetivos em mente:
- Ficar em cima da mudança das condições de reciclagem e testar o modelo regularly- melhorá-la sempre que necessário.
- Monitorar a precisão do seu modelo para pegar qualquer degradação do seu desempenho ao longo do tempo.
- Automatizar o monitoramento do seu modelo através do desenvolvimento de aplicações personalizadas que relatam e acompanhar o desempenho do modelo.
Automação de monitoramento, ou com outros membros da equipe envolvidos, iria aliviar quaisquer preocupações um cientista de dados pode ter sobre o desempenho do modelo e pode melhorar o uso do tempo de todos.
monitoramento automatizado economiza tempo e ajuda a evitar erros no acompanhamento do desempenho do modelo.