Bir modeli uygularken basitten başlayın. Makine öğrenimindeki çalışmaların çoğu veri tarafında olduğundan, karmaşık bir model için tam bir ardışık düzen çalıştırmak, modelin üzerinde iterasyon yapmaktan daha zordur. Veri ardışık düzeninizi ayarladıktan ve birkaç özellik kullanan basit bir model uyguladıktan sonra daha iyi bir model oluşturmak için iterasyon yapabilirsiniz.
Basit modeller, kullanıma sunmasanız bile iyi bir referans değer sağlar. Basit bir model kullanmak muhtemelen düşündüğünüzden daha iyidir. Basit bir modelle başlamak, karmaşık bir modelin gerekli olup olmadığını belirlemenize yardımcı olur.
Eğitilmiş bir modeli kullanmak yerine kendi modelinizi eğitme
Çeşitli kullanım alanları için eğitilmiş modeller mevcuttur ve bu modeller birçok avantaj sunar. Ancak eğitilmiş modeller yalnızca etiket ve özellikler veri kümenizle tam olarak eşleştiğinde gerçekten işe yarar. Örneğin, eğitilmiş bir model 25 özellik kullanıyorsa ve veri kümeniz bu özelliklerin yalnızca 24'ünü içeriyorsa eğitilmiş model büyük olasılıkla kötü tahminler yapar.
Makine öğrenimi uygulayıcıları, ince ayar veya aktarma öğrenimi için genellikle eğitilmiş bir modeldeki girişlerin eşleşen alt bölümlerini kullanır. Belirli bir kullanım alanınız için eğitilmiş bir model yoksa kendi modelinizi eğitirken eğitilmiş bir modelin alt bölümlerini kullanabilirsiniz.
Eğitilmiş modeller hakkında bilgi için
İzleme
Sorunu çerçevelendirirken, ML çözümünüzün ihtiyaç duyduğu izleme ve uyarı altyapısını göz önünde bulundurun.
Model dağıtımı
Bazı durumlarda, yeni eğitilen bir model, üretimde olan modelden daha kötü olabilir. Bu durumda, üretime dağıtılmasını engellemek ve otomatik dağıtımınızın başarısız olduğuyla ilgili bir uyarı almak istersiniz.
Eğitim ve sunma arası sapma
Çıkarsama için kullanılan giriş özelliklerinden herhangi birinin değerleri, eğitimde kullanılan verilerin dağılım aralığının dışındaysa modelin kötü tahminler yapması muhtemel olduğundan uyarı almak istersiniz. Örneğin, modeliniz ekvatordaki şehirlerin deniz seviyesindeki sıcaklıklarını tahmin edecek şekilde eğitildiyse yayınlama sisteminiz, modelin eğitildiği aralığın dışındaki enlem, boylam ve/veya rakım değerlerine sahip gelen veriler konusunda sizi uyarmalıdır. Buna karşılık, model eğitim sırasında görülen dağılım aralığının dışında tahminler yapıyorsa yayınlama sistemi sizi uyarmalıdır.
Çıkarma sunucusu
Bir RPC sistemi aracılığıyla çıkarım sağlıyorsanız RPC sunucusunu izlemeniz ve çıkarım sağlamaya son vermesi durumunda uyarı almanız gerekir.