Дрифт модели: купить машинки для дрифта на пульте радио управления.

Absolute Drift | Загружаемые программы Nintendo Switch | Игры

Важная информация

Данный контент продается компанией Nintendo of Europe GmbH. Оплата будет произведена средствами Nintendo eShop, используемыми с учетной записью Nintendo, которая использовалась для совершения покупки.

Данный контент продается компанией Nintendo of Europe GmbH. Оплата производится средствами Nintendo eShop, используемыми с учетной записью Nintendo. При покупке данного контента действует Соглашение об учетной записи Nintendo.

Данный контент могут приобрести пользователи, которые зарегистрировали учетную запись Nintendo, а также приняли соответствующие юридические соглашения. Для покупки контента для Wii U или систем линейки Nintendo 3DS также требуется код Nintendo Network. Кроме того, ваши средства, используемые с учетной записью Nintendo, должны быть объединены со средствами, привязанными к коду Nintendo Network. Если средства еще не объединены, вы сможете сделать это во время процесса покупки.

Для покупки контента для Wii U или систем линейки Nintendo 3DS ваши средства, используемые с учетной записью Nintendo, должны быть объединены со средствами, привязанными к коду Nintendo Network. Если средства еще не объединены, вы сможете сделать это во время процесса покупки. Вы сможете просмотреть подробности и завершить покупку на следующем экране.

Данное предложение действует для пользователей, которые вошли на веб-сайт с помощью учетной записи Nintendo, настройки страны которой совпадают с настройками страны этого веб-сайта. Если настройки страны вашей учетной записи Nintendo отличаются, данное предложение может быть изменено (например, цена будет отображаться в соответствующей местной валюте).

После обработки платежа контент будет загружен на консоль, связанную с вашей учетной записью Nintendo или с вашим кодом Nintendo Network в случае с Wii U или системами линейки Nintendo 3DS. На системе должно быть установлено последнее системное обновление и активирована функция автоматической загрузки. Система должна быть подключена к Интернету, и на ней должно быть достаточно свободного места. В зависимости от модели вашей игровой системы или консоли и степени ее использования может потребоваться дополнительное запоминающее устройство, чтобы загрузить программу из Nintendo eShop. Подробную информацию см. в разделе «Поддержка».

Для игр, в которых используется облачная потоковая технология, можно загрузить лишь бесплатное приложение для запуска.

Пожалуйста, убедитесь, что на вашей системе достаточно свободного места, чтобы завершить загрузку.

После обработки платежа контент будет загружен на консоль, связанную с вашей учетной записью Nintendo или с вашим кодом Nintendo Network в случае с Wii U или системами линейки Nintendo 3DS. На системе должно быть установлено последнее системное обновление и активирована функция автоматической загрузки. Система должна быть подключена к Интернету, и на ней должно быть достаточно свободного места. В зависимости от модели вашей игровой системы или консоли и степени ее использования может потребоваться дополнительное запоминающее устройство, чтобы загрузить программу из Nintendo eShop. Подробную информацию см. в разделе «Поддержка».

Для игр, в которых используется облачная потоковая технология, можно загрузить лишь бесплатное приложение для запуска.

Пожалуйста, убедитесь, что на вашей системе достаточно свободного места, чтобы завершить загрузку.

Конкретная цена отображается в зависимости от страны, указанной в настройках вашей учетной записи Nintendo.

При покупке данного контента действует Соглашение об учетной записи Nintendo.

О предзаказах

Использование неразрешенных устройств или программ, позволяющих выполнить техническую модификацию консоли Nintendo или программы, может привести к невозможности играть в эту игру.

Данный товар содержит в себе средства технической защиты.

В контент невозможно играть до даты выпуска: {{releaseDate}} . Средства за предзаказ будут автоматически списаны не ранее чем за 7 дней до выхода игры. Если вы оформите предзаказ менее чем за 7 дней до выхода игры, то средства будут списаны сразу после покупки.

© 2020 Funselektor. All rights reserved.

RC Event — Аренда трассы для дрифта. Прокат моделей для дрифта.

Трасса для дрифта

Дрифт (drift) — очень популярная дисциплина как в мире больших автомобилей, так и в моделизме. Гонщик должен пройти трассу в скольжении, что требует особого мастерства, но при этом очень увлекательно.

А теперь более подробно о моделях и трассах

Для этого аттракциона используются модели в масштабе 1:10 (длина порядка 45 см), использующие специально настроенные для дрифта шасси и резину. Кузова по умолчанию — японские дрифт-кары. По Вашему желанию можно использовать кузова нужной марки и/или покрасить их в соответствии с Вашим дизайном или даже разработать дизайн по Вашим требованиям. Примеры оригинальной раскраски приведены ниже (работы по дизайну и покраске выполнены нашим специалистом):

• Стандартная трасса имеет размер 6х6 метров и может быть разложена в холле, зале, на улице
• В пространства необычной формы может быть вписана трасса нестандартной конфигурации
• Размер трассы можно увеличивать практически до бесконечности — все зависит от Ваших пожеланий (тем не менее, мы не рекомендуем сильно усложнять ее - это займет много времени на привыкание у посетителей Вашего мероприятия)
• Возможна организация соревнований на мастерство прохождения трассы

• Ровная и чистая* поверхность достаточной площади (как минимум — площадь трассы + полосы 1-2 метра хотя бы с двух сторон)
• Доступ к розетке 220В

• Ограждения и элементы трассы (в качестве поверхности трассы используется пол, либо асфальт)
• Инструктор — один или несколько (в зависимости от количества машин)
• Достаточное для безостановочной работы количество аккумуляторов
• Запасные модели, запчасти

Таннер Фауст – амбассадор Volkswagen R – новости официального дилера Volkswagen в Брянске

Таннер Фауст – американский гонщик, каскадер, телеведущий, а также четырехкратный чемпион по ралли-кроссу, отстоявший свой титул в 2019 году за рулем Volkswagen Beetle R.

46-летний гонщик принимает активное участие в процессе координации и утверждения новых моделей подразделения R. «Таннер Фауст – человек с множеством талантов, и он отлично нам подходит. Таннер в харизматичной и естественной манере представляет все то, с чем ассоциируется Volkswagen R во всем мире, – отмечает Йост Капито, руководитель подразделения Volkswagen R. — Его опыт приносит реальную пользу в процессе разработки и оптимизации автомобилей серии R».

В начале февраля в Целль-ам-Зее (Австрия) Фауст снова сел за руль Beetle R и успешно прошел ледовую гонку GP Ice Race. В 2019 году за рулем 560-сильного Beetle он одержал победу на Американском чемпионате по ралли-кроссу (ARX), дав возможность ныне не выпускающейся модели уйти с почетом. В Австрии успешный тандем с легкостью дрифтовал на ледяном треке. «Beetle R – это действительно необыкновенный автомобиль.

Новыми моделями Таннера Фауста стали Volkswagen eR1 и Atlas Cross Sport, специально подготовленный для гонки Baja 1000. eR1 — это тестовый вариант полностью электрического гоночного болида на базе Volkswagen Golf. «Будущее Volkswagen и автоспорта – за электромобилями», – отмечает Фауст, ожидая возможности выступить на eR1. Следующая гонка пилота, являющаяся самой большой для Volkswagen на Ближнем Востоке, Dub Drive GC, состоялась в Абу-Даби в феврале. В дополнение к впечатляющим дрифт-шоу во время соревнований прошли выборы модели года серии R. Фауст высоко оценил модели марки, подготовленные энтузиастами для участия в Dubbie.

Джейсон Борн — не единственный герой боевиков, чьи водительские навыки были продемонстрированы амбассадором Volkswagen R. Таннер Фауст снимался в роли водителя-каскадера и в других голливудских картинах, среди которых «Железный человек-2», «Жажда скорости», а также популярная серия фильмов «Форсаж».

Однако страсть к автоспорту никогда не покидала его. Во время каникул каждую свободную минуту Таннер проводил на гоночной трассе. Чтобы не расставаться с любимым увлечением, он подрабатывал механиком или инструктором по вождению. Так было до 2003 года, пока он не получил диплом и не стал профессиональным автогонщиком после короткого периода участия в любительских соревнованиях.

Машинки на радиоуправлении для дрифта

Машинки на радиоуправлении для дрифта позволят осуществить (в минимизированном варианте) гоночные виражи, которые демонстрируют супергонщики. Потребуется лишь миниатюрная модель машинки, созданная на основе реального гоночного автомобиля с максимальным вниманием к деталям, а также ровная поверхность. Радиоуправляемые машинки для дрифта можно легко эксплуатировать не только в специализированных клубах, но и на площадках возле гипермаркетов и торговых центров.

Радиоуправляемые модели для дрифта могут быть оборудованы как электрическими двигателями, работающими от аккумуляторов, так и миниатюрным двигателем внутреннего сгорания. Естественно, что двигатель внутреннего сгорания мощнее и более приближает машинку к аналогу гоночного кара для гонок в реальной жизни, но электрический привод намного экономичнее и проще в использовании.

Машины на пульте управления для дрифта позволят на время почувствовать себя за рулем болида, исполняющего сложные и опасные в реальной жизни виражи. Если собрать компанию единомышленников, то можно устроить ралли с настоящими победителями, пусть и на игрушечных машинках.

Радиоуправляемые модели автомобилей для дрифта созданы максимально точно сравнительно с настоящими аналогами не только по внешнему виду, но и по функциональности. Гидравлическая амортизация, карданная трансмиссия, шины с хорошим сцеплением с поверхностью дороги с точностью передадут ощущения, которые испытывает гонщик при управлении настоящим автомобилем.

Автомодели для дрифта станут не только подарком для детей, подобное развлечение довольно часто превращается в хобби для взрослых людей. Драйв и ощущения во время удачного вхождения в поворот, особенно, если учитывается время, приносят массу адреналина, сопоставимого с реальной гонкой. Подобные машинки являются полезным сувениром, который не будет просто пылиться на полке, а позволит весело провести свободное время. Среди множества моделей можно выбрать именно ту, которая идеально подойдет как по показателям мощности, так и по внешнему виду и дизайну.

Машинки для дрифта недорого: где купить дрифт машинку в Киеве?

В какой-то момент Вы захотите обновить и модифицировать свой автомобиль, а среди всех доступных на рынке моделей именно машинки для дрифта, купить в Киеве которые рекомендуется на сайте нашего интернет-магазина «Тяга», дарят наибольшее веселые. Вы можете изменить все, от шин до подвески, даже до номерного знака. Если вы относитесь к тому типу людей, которые захотят всячески модернизировать свой автомобиль, тогда Вам подойдет дрифт-кар.

Это веселее – хотя, конечно, наступает определенное удовлетворение, если победишь кого-то в радиоуправляемой гонке, или если удастся прорваться сквозь всевозможные ужасные ландшафты на большой внедорожной радиоуправляемой машине. Но есть ли что-нибудь более приятное, чем вхождение в идеальный дрифт?

Вы знаете, что хотите купить дрифт машинку в Киеве. Одна из самых распространенных фраз среди РУ-дрифтеров – это то, что Вы можете превратить любой туристический автомобиль в дрифтера, но не можете сделать дрифтера гоночным автомобилем. Поэтому, если присматриваете машинки для дрифта недорого, Вы должны быть уверены, что это именно то, что Вы хотите.

В целом, дрифт-кар может быть хорошим решением, если ищете что-то более захватывающее, чем обычные гонки. Дрифт-машины могут быть дорогими, но они, несомненно, стоят своих инвестиций в долгосрочной перспективе. В любом случае, это не дешевое хобби, но есть причина, по которой радиоуправляемый дрифтинг сейчас так популярен.

Приличные машинки для дрифта купить в Киеве относительно легко, если Вы готовы инвестировать и тратить время на изучение лучших брендов, представленных в данном каталоге нашего интернет-магазина. Они не обязательно нуждаются в моддинге из коробки, но из всех различных типов РУ, дрифт-машины, как правило, наиболее интересны для модификации.

Часто задаваемые вопросы

• Сколько стоят машины для дрифта?
  • Стоимость товаров в категории машины для дрифта интернет-магазина Тяга:
  • Радиоуправляемая модель Himoto DRIFT TC HI4123BL 8100 грн.
  • Полноприводная радиоуправляемая шоссейная автомодель Team Magic E4JR Brushless 12700.
  • Радиоуправляемая шоссейная автомодель SPARROWHAWK VX FORD GT 6150.

• Какие машины для дрифта лучше купить в 2021?
  • Интернет-магазин Тяга советует такие модели:
  • Discount Tire/Falken Tire Nissan S13 гонщика Dai Yoshihara 8750.
  • HPI Sprint 2 Sport в кузове Chevrolet Camaro 1967 — 7700.
  • 2012 CHP Chevrolet Camaro ZL1 в уникальном стиле 8599.

• Какие машины для дрифта самые дешевые?
  • На данный момент в тройку самых доступных входят:
  • Раллийный автомобиль с коллекторным электродвигателем 6450.
  • Шоссейная автомодель SPARROWHAWK VX FORD GT 6150.
  • Радиоуправляемая машина для дрифта Himoto DRIFT TC HI4123 5200.

• Какие машины для дрифта самые дорогие?
  • Среди самых дорогих:
  • 2012 CHP Chevrolet Camaro ZL1 8600.
  • SPRINT 2 с бесколлекторной системой и кузовом Porsche 911 GT3 10500.
  • Радиоуправляемый автомобиль HPI Ken Block WR8 Flux w\Ford Fiesta H.F.H.V. 16750.

Volkswagen представил самый мощный Golf R – с режимом для дрифта

В линейке Volkswagen Golf восьмого поколения появился новый флагман – спорткар с традиционной литерой R в названии. Его шпионские фотографии без маскировки мы видели еще в феврале, а сегодня производитель устроил официальную презентацию, как теперь водится – в онлайн-формате.

Новый VW Golf R получил двухлитровую «турбочетверку» на 320 л.с. и 420 Нм – как у соплатформенных Arteon R и Tiguan R. Компания заявляет о серьезной прибавке, но тут есть один нюанс. В 2016 году, когда был плановый рестайлинг семейства седьмой генерации, отдачу двигателя хетчбэка и универсала Golf R подняли с 300 л.с. и 380 Нм до 310 л.с. и 400 Нм соответственно. В результате время разгона до 100 км/ч сократилось до 4,6 секунды. Позднее, когда Европа переходила с цикла испытаний NEDC на WLTP, а производители заново сертифицировали машины, у топовых «Гольфов» (и не только у них) отняли те же 10 л.с.

Помимо двигателя, который может сочетаться с шестиступенчатой механикой или семиступенчатым роботом, хот-хэтч позаимствовал у вышеупомянутых собратьев новую систему полного привода, которая распределяет мощность не только по осям, но и между задними колесами.

Golf R набирает сотню за 4,7 секунды и может разогнаться до 250 км/ч. Не исключено, что на более позднем этапе продаж для новинки предложат Performance-пакет: у предшественника он, помимо прочего, поднимал максимальную скорость до 267 км/ч.

В числе других особенностей – перенастроенная подвеска с более жесткими пружинами и уменьшенным на 20 мм клиренсом, увеличенный «в минус» развал колес, облегченный на 3 кг алюминиевый подрамник, более крупные тормоза. Система Vehicle Dynamics Manager теперь управляет не только амортизаторами и электронной блокировкой, но и полным приводом.

Как и Volkswagen Golf GTI Clubsport, новый Golf R проходил финальную доводку на Нюрбургринге. При этом помимо режима Special, предназначенного специально для знаменитой немецкой трассы и до настоящего времени имевшегося только у «Клабспорта», «эрке» положена еще одна эксклюзивная настройка – Drift. Также имеются стандартные для этой модели профили Comfort, Sport, Race и Individual – и никакого Eco.

В плане дизайна экстерьера новый Volkswagen Golf R выделяется:

• агрессивной лицевой частью со сплиттером «в гоночном стиле» и другой решеткой;
• 19-дюймовыми дисками с синими тормозными суппортами, боковыми «юбками»;
• уникальным задним бампером с глянцевым черным диффузором, четырьмя хромированными выпускными патрубками, спойлером на крыше.

Помимо фирменного для R-моделей синего оттенка Lapiz Blue Metallic, хот-хэтч будет доступен в белом и черном кузове. Люк в крыше включен в стандартную комплектацию. В салоне – специфическая графика и дополнительная информация на цифровой приборной панели и тачскрине мультимедийной системы Discover Pro, спортивные передние кресла из кожи Nappa, отделка «под карбон» с синими вставками и тому подобное.

В США продажи стартуют во второй половине следующего года. Цены пока не названы.

19 Фотографии

Что такое Concept Drift? Дрейф модели в машинном обучении

Эта цитата была написана греческим философом по имени Гераклит, и это такая интересная цитата, потому что она абсолютно правдива. Термин «постоянная» определяется как , происходящее непрерывно в течение определенного периода времени, , и, таким образом, можно сказать, что изменение составляет вечных . Это создает проблему для моделей машинного обучения, поскольку модель оптимизируется на основе переменных и параметров во время ее создания.Распространенное и иногда неверное предположение, сделанное при разработке модели машинного обучения, заключается в том, что каждая точка данных является независимой и одинаково распределенной случайной величиной (i.i.d).

Представьте себе модель классификации, созданную для обнаружения фишинговых электронных писем (спама), созданных несколько лет назад. Тогда спам-письма выглядели бы примерно так:

Можно сказать, что это спам, потому что в нем указана нереалистичная единовременная сумма денег (4 доллара.8 миллионов долларов США), он включает контакт в электронном письме и просит вас срочно следовать инструкциям или «как только вы прочтете это письмо».

С тех пор времена изменились, и мошенники создают более сложные и реалистичные электронные письма, которые затрудняют различение. Вот пример более позднего фишингового письма:

Обратите внимание, насколько отличается это спам-письмо от того, что было несколько лет назад. Как вы думаете, сможет ли созданная несколько лет назад модель обнаружения мошенничества правильно классифицировать это письмо? Вероятно, не потому, что представление фишинговых писем изменило , и модели не любят изменений .Одно из основных предположений при создании модели состоит в том, что будущие данные будут аналогичны прошлым данным, используемым для построения модели.

Это пример дрейфа модели. В этой статье вы узнаете, что такое дрейф модели, типы дрейфа модели, как определить дрейф модели и как с ним бороться.

Что такое дрейф модели?

Дрейф модели (также известный как распад модели) относится к ухудшению предсказательной способности модели из-за изменений в окружающей среде и, следовательно, взаимосвязи между переменными. Ссылаясь на приведенный выше пример, изменения в представлении спама могут привести к ухудшению работы моделей обнаружения мошенничества, созданных несколько лет назад.

Типы моделей Drift

Различают три основных типа модельного дрифта:

1. Концепт дрифт
2. Дрейф данных
3. Изменения данных восходящего потока

Смещение концепции — это тип смещения модели, при котором изменяются свойства зависимой переменной. Модель мошенничества, приведенная выше, является примером дрейфа концепций, когда меняется классификация того, что является «мошенничеством».

Дрейф данных — это тип дрейфа модели, при котором изменяются свойства независимой (ых) переменной (ей). Примеры дрейфа данных включают изменения в данных из-за сезонности, изменения предпочтений потребителей, добавление новых продуктов и т. Д.

Изменения данных восходящего направления относятся к изменениям рабочих данных в конвейере данных. Примером этого является ситуация, когда функция больше не создается, что приводит к отсутствию значений. Другой пример — изменение измерения (например,мили в километры).

Как определить дрейф модели

Измерение точности модели

Самый точный способ обнаружить дрейф модели — сравнить предсказанные значения из данной модели машинного обучения с фактическими значениями. Точность модели ухудшается по мере того, как прогнозируемые значения все дальше и дальше отклоняются от фактических значений.

Общей метрикой, используемой для оценки точности модели среди специалистов по обработке данных, является оценка F1, главным образом потому, что она охватывает как точность, так и отзывчивость модели ( См. Ниже для визуального представления точности и отзыва). При этом есть ряд показателей, которые более актуальны, чем другие, в зависимости от ситуации. Например, ошибки 2-го типа будут чрезвычайно важны для модели распознавания изображений рака и опухоли. Таким образом, когда заданная метрика опускается ниже заданного порога, вы будете знать, что ваша модель дрейфует!

Другие методы обнаружения дрейфа модели

Иногда не всегда удается отследить точность модели. В некоторых случаях становится намного сложнее получить прогнозируемые и фактические парные данные.Например, представьте модель, которая прогнозирует чистую прибыль государственной фирмы. Это означает, что вы сможете измерить точность прогнозов чистой прибыли модели только 4 раза в год на основе квартальных отчетов компании. В случае, если вы не можете сравнить прогнозируемые значения с фактическими значениями, есть другие альтернативы, на которые вы можете положиться:

• Тест Колмогорова-Смирнова (K-S) : K-S тест — это непараметрический тест, который сравнивает совокупные распределения двух наборов данных, в данном случае данных обучения и данных после обучения.Нулевая гипотеза для этого теста утверждает, что распределения из обоих наборов данных идентичны. Если ноль отклонен, вы можете сделать вывод, что ваша модель дрейфовала.
• Индекс стабильности населения (PSI) : PSI — это показатель, используемый для измерения того, как распределение переменной менялось с течением времени. Это популярный показатель, используемый для мониторинга изменений характеристик популяции и, таким образом, обнаружения распада модели.
• Z-оценка : Наконец, вы можете сравнить распределение функций между обучающими и живыми данными, используя z-оценку.Например, если несколько точек данных в реальном времени данной переменной имеют z-оценку +/- 3, распределение переменной могло измениться.

Как решить проблему смещения модели

Обнаружение смещения модели — это только первый шаг, следующим шагом является устранение смещения модели. Для этого есть два основных метода.

Первый — просто переобучить вашу модель по расписанию. Если вы знаете, что модель ухудшается каждые шесть месяцев, вы можете принять решение переобучать ее каждые пять месяцев, чтобы гарантировать, что точность модели никогда не упадет ниже определенного порога.

Другой способ решить проблему дрейфа модели — это онлайн-обучение. Онлайн-обучение означает просто научить модель машинного обучения обучаться в реальном времени. Он делает это, принимая данные, как только они становятся доступными, в последовательном порядке, а не обучает модель пакетными данными.

В целом, определить дрейф модели сложно

На самом деле обнаружить смещение модели сложно, и не существует универсальной схемы для обнаружения и устранения смещения модели.

А теперь представьте, что вам нужно обнаружить дрейф модели, но для сотни или даже тысячи моделей машинного обучения.Это почти невозможно. Если это описывает проблему, с которой вы столкнулись, есть несколько удивительных решений, например Datatron.

Здесь, в Datatron, мы предлагаем платформу для управления и управления всеми вашими моделями машинного обучения, искусственного интеллекта и обработки данных в производственной среде. Кроме того, мы помогаем вам автоматизировать, оптимизировать и ускорять модели машинного обучения, чтобы обеспечить их бесперебойную и эффективную работу в производственной среде. Чтобы узнать больше о наших услугах, обязательно запросите демонстрацию.

Подписывайтесь на Datatron в Twitter и LinkedIn!

Спасибо за чтение!

в машинном обучении. Как и когда следует машинному обучению… | Сушрут Шендре

Как и когда следует переобучать модели машинного обучения

Понятия, люди и общества с течением времени кардинально изменились. То, что когда-то было по последнему слову техники, теперь устарело; Точно так же то, что сейчас является свежей идеей, вероятно, будет забыто через несколько лет.Точно так же понимание изменений жизненно важно для бизнеса. Представьте себе компанию по производству мобильных телефонов 15 лет назад. Смогли бы они выжить, если бы не перешли на смартфоны? Скорее всего нет. Хотя 15 лет назад обычный мобильный телефон был нормой, спрос резко переместился в сторону смартфонов. Больше всего пострадали компании, которые не смогли соответствовать темпам этого изменения в поведении клиентов.

По мере того, как мы входим в мир, который диктуется данными и аналитикой, модели машинного обучения стали основными драйверами бизнес-решений.И, как и в случае с любой другой бизнес-стратегией, эти модели со временем необходимо пересматривать, технической причиной которого является «дрейф моделей». В то время как большинство учебных программ, статей и сообщений определяют жизненный цикл машинного обучения (ML), который начинается со сбора данных и заканчивается развертыванием модели машинного обучения в соответствующей среде, они забывают очень важную особенность жизненного цикла машинного обучения: что модельного дрейфа.

По сути, это означает, что отношения между целевой переменной и независимыми переменными меняются со временем.Из-за этого дрейфа модель становится нестабильной, а прогнозы со временем становятся ошибочными. Попробуем понять это с технической точки зрения с помощью простой линейной регрессии. В линейной регрессии мы просто сопоставляем независимые переменные x_i для прогнозирования целевой переменной y :

y = α + β_1 * x_1 + β_2 * x_2 + β_3 * x_3 +…

где, α — это перехват, а β_i соответствуют коэффициентам для переменной x_i.

Часто мы предполагаем, что это отображение является статическим, т.е. мы предполагаем, что коэффициенты β_i (и точка пересечения α ) не изменяются со временем и что отношения, управляющие прогнозированием целевой переменной y , будут быть действительным и для будущих данных. Это предположение может быть верным не во всех случаях. А там, где этого не происходит, это представляет серьезную угрозу для бизнеса. Это связано с тем, что прибыль организаций в значительной степени зависит от таких моделей; и хотя эти модели могут быть репрезентативными для ситуации во время разработки, они определенно могут оказаться неверными в будущем.Из-за этих изменений в основных условиях прогнозы со временем станут менее точными.

Типы заносов

Модельные заносы можно разделить на две большие категории. Первый тип называется «дрейфом концепций». Это происходит, когда меняются статистические свойства самой целевой переменной. Очевидно, что если само значение переменной, которую мы пытаемся предсказать, изменится, модель не будет работать для этого обновленного определения.Ага!

Второй и наиболее распространенный тип — «дрейф данных». Это происходит при изменении статистических свойств предикторов. Опять же, если базовые переменные изменяются, модель обречена на неудачу. Так очевидно! Классический пример того, когда это может произойти, — это когда закономерности в данных меняются из-за сезонности. Какая бы бизнес-модель ни работала летом, может не работать зимой. В то время как спрос на рейсы резко возрастает в праздничные сезоны, авиакомпаниям трудно поддерживать загруженность в межсезонье.Другой пример — изменение личных предпочтений, что может быть связано с примером смартфона, упомянутым в начале.

Как с этим справиться?

Лучший способ решить эту проблему — постоянно переоснащать модели. На основе прошлого опыта можно сделать оценку того, когда в модели начнется постепенный дрейф. На основе этого модель может быть проактивно переработана, чтобы снизить риски, связанные с дрейфом.

В ситуациях, когда данные меняются со временем, данные взвешивания могут быть хорошим вариантом.Например, финансовые модели, определяющие определенные параметры на основе недавних транзакций, могут включать функции, которые придают больший вес самым последним транзакциям и меньший — прошлым транзакциям. Это не только гарантирует надежность модели, но и помогает избежать потенциальных проблем, связанных с дрейфом.

Более сложная методология борьбы с дрейфом модели — моделирование самого изменения. Первая разработанная модель остается статичной и служит базой. Теперь, в результате изменения поведения в последних данных, можно построить новые модели для корректировки прогнозов этой базовой модели.

Как часто нужно переобучать моделей?

Теперь, когда мы увидели, что наиболее распространенное решение включает постоянное повторное обучение модели, возникают вопросы о том, как часто это нужно делать. Для этого есть несколько решений, каждое из которых различается в зависимости от ситуации.

Иногда проблема возникает сама собой. Хотя ожидание возникновения проблемы — не самый элегантный метод, он остается единственным вариантом, когда дело доходит до новых моделей, в которых нет прошлой истории, чтобы понять, когда что-то может пойти не так.Когда проблема обнаруживается, может быть проведено расследование того, что пошло не так, и могут быть внесены изменения, чтобы подавить такие проблемы в будущем.

В других случаях данные, относящиеся к объектам, рассматриваемым в модели, учитывают сезонные колебания. Здесь модель следует переучивать под эти сезоны. Например, в связи с увеличением расходов в праздничные сезоны учреждениям кредитного кредитования необходимо иметь специальные модели, чтобы справиться с этим внезапным изменением моделей.

Однако лучший способ обнаружить дрейф — это непрерывный мониторинг. Метрики, связанные со стабильностью модели, необходимо отслеживать через постоянные интервалы времени. Этот интервал может составлять неделю, месяц, квартал и т. Д. В зависимости от домена и бизнеса. Режим мониторинга может быть либо ручным, либо автоматическим сценарием, который запускает сигналы тревоги и уведомления всякий раз, когда наблюдаются внезапные аномалии.

На этом мы подошли к концу статьи. Как сказал знаменитый Гераклит: «Изменения — единственная константа».Помня об этом, организациям, которые с готовностью принимают и отслеживают эти изменения, суждено добиться успеха.

Спасибо!

Мягкое знакомство с дрейфом концепций в машинном обучении

Последнее обновление 10.12.2020 г.

Данные могут изменяться со временем. Это может привести к плохой и ухудшающейся прогнозной производительности в прогнозных моделях, которые предполагают статическую связь между входными и выходными переменными.

Эта проблема изменения основных взаимосвязей в данных называется дрейфом концепций в области машинного обучения.

В этом посте вы откроете для себя проблему дрейфа концепций и способы ее решения в ваших собственных задачах прогнозного моделирования.

Заполнив этот пост, вы будете знать:

• Проблема изменения данных с течением времени.
• Что такое дрейф понятий и как он определяется.
• Как справиться с дрейфом концепций в ваших собственных задачах прогнозного моделирования.

Начните свой проект с моей новой книги «Основные алгоритмы машинного обучения», включающей пошаговых руководств и файлы Excel Spreadsheet для всех примеров.

Приступим.

Мягкое введение в дрейф концепций в машинном обучении
Фотография Джо Клира, некоторые права защищены.

Обзор

Этот пост разделен на 3 части; их:

1. Изменения данных с течением времени
2. Что такое Concept Drift?
3. Как решить проблему Concept Drift

Изменения данных с течением времени

Прогностическое моделирование — это проблема изучения модели на основе исторических данных и использования модели для прогнозирования новых данных, на которые мы не знаем ответа.

С технической точки зрения, прогнозное моделирование — это проблема аппроксимации функции отображения (f) с заданными входными данными (X) для прогнозирования выходного значения (y).

Часто предполагается, что это отображение является статическим, что означает, что отображение, полученное на основе исторических данных, так же верно в будущем для новых данных и что отношения между входными и выходными данными не изменяются.

Это верно для многих проблем, но не для всех.

В некоторых случаях отношения между входными и выходными данными могут изменяться со временем, что означает, что, в свою очередь, происходят изменения в неизвестной базовой функции сопоставления.

Изменения могут иметь последующие последствия, например, предсказания, сделанные моделью, обученной на более старых исторических данных, больше не являются правильными или такими же правильными, какими они могли бы быть, если бы модель была обучена на более свежих исторических данных.

Эти изменения, в свою очередь, можно будет обнаружить, и в случае обнаружения можно будет обновить изученную модель, чтобы отразить эти изменения.

… многие методы интеллектуального анализа данных предполагают, что обнаруженные закономерности статичны. Однако на практике шаблоны в базе данных со временем развиваются.Это создает две важные проблемы. Первая задача — определить, когда происходит дрейф концепции. Вторая задача — поддерживать шаблоны в актуальном состоянии, не создавая шаблоны с нуля.

— Стр. 10, Справочник по интеллектуальному анализу данных и обнаружению знаний, 2010 г.

Что такое Concept Drift?

Дрейф концепций в машинном обучении и интеллектуальном анализе данных означает изменение во времени отношений между входными и выходными данными в основной проблеме.

В других доменах это изменение может называться « ковариативный сдвиг », « сдвиг набора данных » или « нестационарность ».”

В наиболее сложных приложениях для анализа данных данные развиваются со временем и должны анализироваться практически в реальном времени. Паттерны и отношения в таких данных часто развиваются со временем, поэтому модели, построенные для анализа таких данных, со временем быстро устаревают. В машинном обучении и интеллектуальном анализе данных это явление называется дрейфом понятий.

— Обзор приложений концептуального дрейфа, 2016 г.

Понятие « concept drift » относится к неизвестной и скрытой взаимосвязи между входными и выходными переменными.

Например, одним из понятий в данных о погоде может быть сезон, который явно не указан в данных о температуре, но может влиять на данные о температуре. Другим примером может быть покупательское поведение клиентов с течением времени, на которое может влиять сила экономики, где сила экономики явно не указана в данных. Эти элементы также называют «скрытым контекстом».

Сложная проблема с обучением во многих областях реального мира состоит в том, что концепция интереса может зависеть от некоторого скрытого контекста, не указанного явно в форме прогнозных характеристик.Типичный пример — правила прогнозирования погоды, которые могут радикально меняться в зависимости от сезона. […] Часто причина изменения скрыта, не известна априори, что усложняет учебную задачу.

— Проблема дрейфа понятий: определения и родственные работы, 2004.

Изменение данных может принимать любую форму. Концептуально проще рассмотреть случай, когда существует некоторая временная согласованность изменения, так что данные, собранные в течение определенного периода времени, показывают ту же взаимосвязь и что эта взаимосвязь плавно изменяется с течением времени.

Обратите внимание, что это не всегда так, и это предположение следует оспорить. Некоторые другие типы изменений могут включать:

• Постепенное изменение с течением времени.
• Периодическое или циклическое изменение.
• Внезапное или резкое изменение.

Для каждой ситуации могут потребоваться разные схемы обнаружения и обработки смещения концепции. Часто повторяющиеся изменения и долгосрочные тенденции считаются систематическими и могут быть четко определены и обработаны.

Дрейф концепции может присутствовать в контролируемых задачах обучения, когда делаются прогнозы и данные собираются с течением времени.Это традиционно называется проблемами онлайн-обучения, учитывая ожидаемые изменения данных с течением времени.

Существуют области, в которых прогнозы упорядочены по времени, например, прогнозирование временных рядов и прогнозирование потоковых данных, где проблема дрейфа концепций более вероятна и должна быть явно проверена и решена.

Распространенной проблемой при интеллектуальном анализе потоков данных является то, что потоки данных не всегда строго стационарны, то есть концепция данных (лежащее в основе распределение входящих данных) непредсказуемо дрейфует во времени.Это подтолкнуло к необходимости своевременно обнаруживать эти концептуальные отклонения в потоках данных

— Обнаружение дрейфа концепции для потоковых данных, 2015.

Индре Злиобайте в статье 2010 года, озаглавленной «Обучение в рамках дрейфа концепций: обзор», дает основу для размышлений о дрейфе концепций и решениях, требуемых практикующим машинным обучением, а именно:

• Предположение о будущем : проектировщику необходимо сделать предположение о будущем источнике данных.
• Тип изменения : проектировщику необходимо определить возможные шаблоны изменений.
• Адаптивность учащегося : на основе типа изменения и предположений о будущем разработчик выбирает механизмы, которые делают учащегося адаптивным.
• Выбор модели : разработчику нужен критерий для выбора конкретной параметризации выбранного учащегося на каждом временном шаге (например, веса для членов ансамбля, размер окна для метода переменного окна).

Эта структура может помочь подумать о точках принятия решений, доступных вам при решении проблемы дрейфа концепции в ваших собственных задачах прогнозного моделирования.

Как решить проблему дрейфа концепций?

Есть много способов решить проблему дрейфа концепций; давайте взглянем на несколько.

1. Ничего не делать (статическая модель)

Самый распространенный способ — вообще не обрабатывать его и предполагать, что данные не изменяются.

Это позволяет вам однажды разработать единую «лучшую» модель и использовать ее для всех будущих данных.

Это должно быть вашей отправной точкой и базой для сравнения с другими методами. Если вы считаете, что ваш набор данных может подвергнуться дрейфу концепций, вы можете использовать статическую модель двумя способами:

1. Concept Drift Detection . Наблюдайте за навыками статической модели с течением времени, и если навык падает, возможно, происходит дрейф концепции и требуется некоторое вмешательство.
2. Базовые показатели . Используйте навыки статической модели в качестве основы для сравнения с любым вашим вмешательством.

2. Периодически устанавливайте заново

Хорошим вмешательством первого уровня является периодическое обновление вашей статической модели более свежими историческими данными.

Например, возможно, вы можете обновлять модель каждый месяц или каждый год данными, собранными за предыдущий период.

Это также может включать в себя тестирование модели на исторических данных, чтобы выбрать подходящий объем исторических данных для включения при повторной подгонке статической модели.

В некоторых случаях может быть целесообразно включать только небольшую часть самых последних исторических данных, чтобы лучше понять новые отношения между входами и выходами (например,г. использование раздвижного окна).

3. Периодически обновляйте

Некоторые модели машинного обучения можно обновлять.

Это эффективность по сравнению с предыдущим подходом (периодическая повторная подгонка), когда вместо полного отказа от статической модели существующее состояние используется в качестве отправной точки для процесса подбора, который обновляет подгонку модели с использованием выборки самых последних исторических данных. данные.

Например, этот подход подходит для большинства алгоритмов машинного обучения, использующих веса или коэффициенты, таких как алгоритмы регрессии и нейронные сети.

4. Весовые данные

Некоторые алгоритмы позволяют взвесить важность входных данных.

В этом случае вы можете использовать вес, который обратно пропорционален возрасту данных, так что больше внимания уделяется самым последним данным (больший вес) и меньше внимания самым последним данным (меньший вес).

5. Узнайте об изменениях

Ансамблевый подход может использоваться там, где статическая модель остается нетронутой, но новая модель учится корректировать прогнозы статической модели на основе взаимосвязей в более свежих данных.

Это можно рассматривать как ансамбль повышающего типа (только по духу), в котором последующие модели корректируют предсказания предыдущих моделей. Ключевое отличие здесь заключается в том, что последующие модели подходят для разных и более свежих данных, в отличие от взвешенной формы того же набора данных, как в случае AdaBoost и повышения градиента.

6. Определите и выберите модель

Для некоторых проблемных областей можно разработать системы для обнаружения изменений и выбора конкретной и другой модели для прогнозирования.

Это может быть подходящим для доменов, которые ожидают резких изменений, которые могли произойти в прошлом и которые могут быть проверены в будущем. Также предполагается, что можно разработать умелые модели для обработки каждого из обнаруживаемых изменений данных.

Например, резкое изменение может быть конкретным наблюдением или наблюдениями в диапазоне, или изменением распределения одной или нескольких входных переменных.

7. Подготовка данных

В некоторых областях, например в задачах временных рядов, можно ожидать, что данные со временем изменятся.

В задачах этого типа обычно данные подготавливаются таким образом, чтобы исключить систематические изменения данных с течением времени, такие как тенденции и сезонность, путем дифференцирования.

Это настолько распространено, что встроено в классические линейные методы, такие как модель ARIMA.

Обычно мы не рассматриваем систематическое изменение данных как проблему дрейфа концепций, потому что с этим можно справиться напрямую. Скорее, эти примеры могут быть полезным способом осмыслить вашу проблему и могут помочь вам предвидеть изменения и подготовить данные определенным образом, используя стандартизацию, масштабирование, прогнозы и многое другое, чтобы смягчить или, по крайней мере, уменьшить влияние изменений на входные переменные в будущее.

Дополнительная литература

В этом разделе представлены дополнительные ресурсы по теме, если вы хотите углубиться.

Документы

Статьи

Сводка

В этом посте вы обнаружили проблему дрейфа концепций при изменении данных для прикладного машинного обучения.

В частности, вы узнали:

• Проблема изменения данных с течением времени.
• Что такое дрейф понятий и как он определяется.
• Как справиться с дрейфом концепций в ваших собственных задачах прогнозного моделирования.

Есть вопросы?
Задайте свои вопросы в комментариях ниже, и я постараюсь ответить.

Узнайте, как работают алгоритмы машинного обучения!

Узнайте, как работают алгоритмы за считанные минуты

… с простой арифметикой и простыми примерами

Узнайте, как в моей новой электронной книге:
Освойте алгоритмы машинного обучения

Он охватывает объяснений и примеров из 10 лучших алгоритмов , например:
Линейная регрессия , k-Nearest Neighbours , Support Vector Machines и многое другое…

Наконец, отдерните занавес на

Пропустить академики. Только результаты.

Дрейф модели и обеспечение здорового жизненного цикла машинного обучения

Жизненный цикл машинного обучения начинается с хранения данных, конвейерной обработки ETL и обучения модели. В Algorithmia мы фокусируемся на следующих этапах жизненного цикла: развертывании, управлении и эксплуатации. Развертывание машинного обучения играет решающую роль в обеспечении хорошей работы модели как сейчас, так и в будущем, но также жизненно важно понимать мониторинг модели и дрейф модели к той же цели.

Отслеживая отклонение модели, вы можете определить, ухудшается ли ваша модель со временем. Например, вы можете отслеживать, снижается ли точность вашей модели после развертывания новой модели.

Эффективный процесс мониторинга дрейфа модели может гарантировать, что ваша критически важная производственная система сможет безопасно развернуть новые версии, но при необходимости вернуться к более стабильной версии.

Модель дрифт

Многие модели машинного обучения, как правило, представляют собой черные ящики, где объяснимость очень ограничена, что может затруднить понимание того, почему модель не работает так, как ожидалось.Это особенно верно в отношении того, как модель работает с новыми обучающими данными с течением времени.

Модель, которая изначально работала довольно хорошо, позже может ухудшиться из-за концепции, называемой дрейфом данных или дрейфом концепций. Дрейф данных происходит, когда основная статистическая структура ваших данных изменяется с течением времени.

Например, предположим, что изначально у нас была модель распознавания лиц, которая была обучена на человеческих лицах без очков.После того, как мы представим более разнообразный набор данных, включающий лица в очках, эта базовая репрезентативная структура лица изменится. Модель не будет знать, как классифицировать очки, что может повлиять на способность модели распознавать лица. Это может потребовать внесения изменений в модель или изменений в способах обучения модели.

Устранение смещения модели

Обычно дрейф модели наблюдается у конечных пользователей продукта. Вы замечаете, что распознавание речи вашей умной колонки со временем ухудшается, и к тому времени, когда инженеры компании узнают об этом, может оказаться нетривиальным вернуться к более старой версии.

Одна из причин этого состоит в том, что каждая модель обладает конечной мощностью выражения (т. Е. Способностью к обучению). Определенные архитектуры машинного обучения могут изучать и обобщать одни виды структур данных лучше, чем другие. Например, при распознавании речи, когда вы пытаетесь добавить больше языков в свою модель обучения, не изменяя выразимость модели, или не понимаете, что базовая статистическая структура ваших данных изменяется, вы можете получить модель с гораздо худшей производительностью, чем раньше.

И поскольку откат может привести к потере доступа к новым функциям модели, таким как добавленная языковая поддержка, решения о продукте могут помешать вам откатиться к более старой, более стабильной версии модели.

Мониторинг модели

Определение критических пороговых значений, обнаружение нарушений этих пороговых значений и защита производственной системы машинного обучения от деградации — основная цель мониторинга модели.

Мониторинг модели очень похож на непрерывную интеграцию / непрерывное развертывание (CI / CD) в традиционной разработке программного обеспечения.В системах CI / CD вы отслеживаете весь жизненный цикл разработки и развертывания программного обеспечения с помощью автоматизированных инструментов и предупреждений. Цель мониторинга моделей — внедрить некоторые из этих устоявшихся правил и систем в современные производственные системы, использующие машинное обучение.

Машинное обучение по своей сути отличается от традиционных систем разработки программного обеспечения тем, что:

• Графические процессоры — ключевой компонент машинного обучения. Традиционные системы CI / CD не предназначены для работы непосредственно с графическими процессорами и кодом, скомпилированным с помощью графического процессора (например, CUDA).
• Традиционные системы CI / CD не предназначены для проведения экспериментов по науке о данных, и выполнение этих тестов требует создания обширных конвейеров ETL для работы с источниками данных для экспериментов.
• Традиционные инструменты отладки в системах CI / CD не очень полезны для устранения проблем, связанных с дрейфом модели / данных.

Что такое пороги дрейфа модели и как за ним следить? Вот несколько примеров порогов:

• Среднее время работы модели
  • Действительно ли оптимизация с высокой точностью помогла повысить производительность?
• Модель метрик, где метриками могут быть точность, точность, отзывчивость, оценка f1 и т. Д.
  • Получаем ли мы больше ложных срабатываний с обновленной моделью распознавания речи?
• Метрики данных, где метрики могут быть несбалансированными классами, избыточным распределением данных и т. Д.
  • Нужно ли нам настраивать архитектуру модели, чтобы адаптироваться к новой базовой структуре данных? Или, может быть, нам нужно изменить способ обучения нашей модели на данных.

Оценка модели

Когда модель развернута, мы не должны сразу направлять весь трафик в конечную точку новой версии.Только часть трафика (~ 5 процентов) должна быть направлена ​​в новую модель и должна оцениваться с использованием одного или нескольких пороговых значений.

Если обнаружено нарушение порога, система должна пометить соответствующую модель как списанную и выполнить откат (5 процентов запросов) до последней стабильной версии.

Если нарушение не обнаружено по прошествии определенного времени, система должна начать развертывание (оставшиеся 95 процентов) до новой модели и пометить ее как последнюю стабильную версию.

Эта система мониторинга может обеспечить автоматический способ развертывания моделей машинного обучения в производстве, не вызывая значительного отклонения модели.

Стоит отметить, что существуют и другие подходы к оценке моделей, такие как A / B-тестирование, тестирование чемпион-претендент и т. Д.

Прочтите эту статью в блоге, чтобы узнать больше об оценке модели.

В каких областях возможного применения мониторинг модели имеет смысл?

1. Дрейф данных: Если вы начинаете видеть снижение вовлеченности пользователей после развертывания модели, это может быть признаком дрейфа модели.
2. Возможности обучения модели: Конкретные версии модели отлично работают с подмножествами пользователей. Это может произойти, когда вы достигнете способности модели к обучению. Действительной стратегией здесь могло бы быть использование разных моделей для разных подгрупп пользователей. Прежде чем делать это, важно иметь возможность контролировать свои модели на предмет дрейфа.
3. Изменение, снижающее производительность: Небольшие архитектурные изменения модели могут непреднамеренно привести к серьезному снижению производительности.Простой и автоматизированный способ отката делает вашу систему машинного обучения менее хрупкой.
4. Неправильные развертывания и ошибки: Возможность быстрого тестирования новой модели на разовой основе для выявления ошибок может предотвратить появление скрытых проблем в производстве. (Например, возможно, производственные серверы используют немного другое оборудование графического процессора, что может вызвать ошибку в вашей модели и среде машинного обучения.)
5. Циклы обслуживания и ручного развертывания: Наличие автоматизированной системы экономит время и ресурсы для специалистов по данным.Им не следует увлекаться созданием и отладкой инфраструктуры машинного обучения.

Разработка и реализация мониторинга модели может выглядеть по-разному в зависимости от платформы, на которой вы работаете. Алгоритмия использует очень гибкий подход. Наша платформа представляет собой бессерверную службу с подключением к графическому процессору, которая позволяет использовать преимущества бессерверной архитектуры.

Как выглядит мониторинг модели в Algorithmia? У нас есть алгоритм оркестрации, который управляет всей бизнес-логикой определения отклонения модели и принятия решения о развертывании новой модели.

Алгоритм оркестрации в основном будет делать следующее:

• Если стабильных версий не существует, сделать первую опубликованную версию алгоритма стабильной версией.
• Следить за:
  • Стабильная версия модели
  • Устаревшие версии модели
  • Неудачная версия модели

• Маршрутизировать все запросы к модели:
  • Все запросы к стабильной версии, если нет тестовой модели
  • 95 процентов из них в стабильную версию и 5 процентов из них в тестовую модель
• Следите за показателями дрейфа модели:
  • Это будет использоваться для определения того, сместилась ли модель в конце периода тестирования.
• Продвижение или откат:
  • Если модель не дрейфует, тестовая модель будет продвигаться как стабильная версия. Предыдущая стабильная модель будет считаться устаревшей.
  • Если произошло отклонение модели, тестовая модель помечается как неудачная, и все запросы направляются в стабильную версию.

Разделение на 5 и 95 процентов здесь произвольно и может быть настроено в соответствии с вариантом использования. С точки зрения реализации, база данных может использоваться для обеспечения транзакций ACID, поскольку все запросы выполняются на распределенной бессерверной платформе.Это необходимо для предотвращения возникновения условий гонки.

Примечание: Мы также создали пример алгоритма, чтобы продемонстрировать аналогичный рабочий процесс, описанный выше. Вы можете найти исходный код здесь.

Заключение и продолжение обучения

Мы затронули ряд новых концепций, таких как дрейф данных, дрейф модели и мониторинг модели. Мы узнали, как мониторинг моделей помогает защитить системы машинного обучения от незаметного снижения производительности с течением времени, помогает обнаруживать проблемы с возможностями обучения модели и помогает настроить цикл автоматического развертывания для специалистов по данным.Мы также более подробно рассмотрели, как это может работать в среде бессерверного развертывания.

Если вы хотите узнать больше об управлении моделями, загрузите наш технический документ о семи шагах к эффективному управлению.

Больше из серии блогов по управлению AI / ML

Букварь по дрейфу данных. Когда модели машинного обучения не… | от Du Phan | данные из окопов

Чтобы упростить задачу, мы используем одномерную точку зрения, сосредоточив внимание на характеристике алкоголь .Тем не менее, рассуждения можно обобщить на несколько измерений, что обычно и имеет место на практике (несколько характеристик меняются одновременно).

Вопрос, на который мы хотим ответить:

Изменится ли производительность модели, обученной на моем тренировочном наборе (вина с уровнем алкоголя выше 11%), при подсчете баллов для новых бутылок (в которых уровень алкоголя ниже 11%). )?

Следует отметить одну важную деталь: оценка касается сравнительных характеристик модели между исходными и новыми данными, а не абсолютных характеристик модели.

Если у нас есть основные метки истинности новых данных, один из простых подходов состоит в том, чтобы оценить новый набор данных, а затем сравнить метрики производительности между исходным обучающим набором и новым набором данных. Однако в реальной жизни получение наземных меток для новых наборов данных обычно откладывается. В нашем случае нам придется покупать и выпивать все доступные бутылки, что является заманчивым выбором … но, вероятно, не лучшим выбором.

Следовательно, чтобы иметь возможность своевременно реагировать, нам нужно будет основывать производительность исключительно на характеристиках входящих данных.Логика заключается в том, что если распределение данных между фазой обучения и фазой тестирования расходится, это сильный сигнал о том, что производительность модели не будет такой же.

С учетом сказанного, на приведенный выше вопрос можно ответить, проверив дрейф данных между исходным обучающим набором и входящим набором тестов.

Теперь вернемся к нашим винам и более подробно рассмотрим различные ситуации, в которых происходит дрейф данных. В этом разделе мы обучаем и тестируем нашу модель именно так.

Из набора данных wine_alcohol_above_11 мы случайным образом разделили их на два:

• Первый для обучения модели, обозначенный cohol_above_11_train, будет далее разделен на наборы для обучения и проверки.
• Другой для тестирования модели называется cohol_above_11_test .

Мы подгоняем модель случайного леса на cohol_above_11_train. Модель набрала 0,709 балла F1 на выносливости.

Ситуация 1: Нет дрейфа

Здесь целевой набор данных является исходным набором данных wine_alcohol_above_11:

 
  def  track_model_quality (реальный, прогнозируемый):

 # Присоедините фактический ярлык и прогнозируемый ярлык
 quality_compare = predicted.join (реальный, "pid")

 # Создайте столбец, указывающий, точна ли предсказанная метка
 quality_compare = quality_compare.withColumn (
  'precision_prediction',
  F.when ((F.col ('качество') == F.col ('предсказанное_качество')), 1) \
  . в противном случае (0)
 )

 # Суммируйте точные метки в течение временного окна, чтобы получить процент точных прогнозов
 precision_prediction_summary = (quality_compare.groupBy (F.window (F.col ('время_процесса'), '1 день'). псевдоним ('окно'), F.col ('точное_предсказание'))
  .считать()
  .withColumn ('window_day', F.expr ('to_date (window.start)')).
  .withColumn ('total', F.sum (F.col ('count')). over (Window.partitionBy ('window_day')))
  .withColumn ('ratio', F.col ('count') * 100 / F.col ('total'))
  .select ('день_окна', 'точное_предсказание', 'количество', 'всего', 'соотношение')
  .withColumn ('точное_предсказание', F.when (F.col ('precision_prediction') == 1, 'Точный').в противном случае ('Неточно'))
  .orderBy ('window_day')
 )

  возврат  precision_prediction_summary