在機器學習的實務中,ML 模型的訓練通常只是第一步,在 ML 模型訓練完成且部署上線後,如何確保 ML 模型在未知數據中,它的預測表現仍維持良好的水準,係保證 ML 模型的品質與長期有效的關鍵議題。
在迴歸問題中的模型監控,有下列二項重點 :
- 在監控 ML 模型時,關注模型的預測能力指標,例如 : MAE、MAPE 等。
- 在監控 ML 模型時,當預測能力指標超出預期的變大變差時,意味著兩種可能性 : 過擬合或模型飄移,後續皆須模型再訓練。
- 概念說明與 Python 範例程式碼 👈
- 實務札記
- ML 監控觀念與策略 - 隨手指南
Back to 資料科學的日常研究議題