Ի՞նչ է մոդելային դրեյֆը մեքենայական ուսուցման մեջ:

2024 Հեղինակ: Lynn Donovan | [email protected]. Վերջին փոփոխված: 2023-12-15 23:48

Վիքիպեդիայից՝ ազատ հանրագիտարանից։ Կանխատեսող վերլուծության մեջ և մեքենայական ուսուցում , հայեցակարգը դրեյֆ նշանակում է, որ թիրախ փոփոխականի վիճակագրական հատկությունները, որոնք մոդել փորձում է կանխատեսել, փոխվել ժամանակի ընթացքում չնախատեսված ձևերով: Սա խնդիրներ է առաջացնում, քանի որ ժամանակի ընթացքում կանխատեսումները դառնում են ավելի քիչ ճշգրիտ

Բացի սրանից, ի՞նչ է մոդելային դրեյֆը:

Մոդել դրեյֆ Կունյան ցիկլի երկրորդ քայլն է: Ցիկլը սկսվում է Normal Science-ում, որտեղ դաշտն ունի ա մոդել ըմբռնման (դրա պարադիգմը), որն աշխատում է: Այն մոդել թույլ է տալիս ոլորտի անդամներին լուծել հետաքրքրություն ներկայացնող խնդիրները:

Երկրորդ, ո՞րն է տվյալների հավաքագրման շեղումը: Բայց մի բան, որ ստիպում է ձեզ շղթայված զգալ ձեր էկրանին տվյալների շեղում . Տվյալների շեղում -ի գումարն է տվյալները փոփոխություններ՝ մտածեք բջջային փոխազդեցությունների, սենսորների տեղեկամատյանների և վեբ սեղմումների հոսքերի մասին, որոնք կյանքի սկիզբ դրեցին որպես բիզնեսի բարենպաստ փոփոխություններ կամ համակարգի թարմացումներ, ինչպես CMSWire-ի ներդրող Գիրիշ Պանչան ավելի մանրամասն բացատրում է այստեղ:

Նմանապես, հարցնում են, թե ինչ է դրեյֆի հայտնաբերումը:

Տվյալների հոսքերում առաջացող խնդիրն է հայտնաբերում հայեցակարգի դրեյֆ . Այս աշխատանքում մենք սահմանում ենք մեթոդ հայտնաբերելով հայեցակարգ դրեյֆ , նույնիսկ դանդաղ աստիճանական փոփոխության դեպքում։ Այն հիմնված է դասակարգման սխալների միջև հեռավորությունների գնահատված բաշխման վրա:

Ի՞նչ է Concept drift-ը տվյալների հոսքի մայնինգում:

Հայեցակարգի շեղում մեքենայական ուսուցման մեջ և տվյալների հանքարդյունաբերություն վերաբերում է մուտքային և ելքային հարաբերությունների փոփոխությանը տվյալները ժամանակի ընթացքում հիմքում ընկած խնդրի մեջ: Այլ տիրույթներում այս փոփոխությունը կարող է կոչվել «covariate shift», «dataset shift» կամ «nonstationarity»: