機(jī)器學(xué)習(xí)模型再訓(xùn)練的指南詳細(xì)概述

　　機(jī)器學(xué)習(xí)模型的訓(xùn)練，通常是通過學(xué)習(xí)某一組輸入特征與輸出目標(biāo)之間的映射來進(jìn)行的。一般來說，對于映射的學(xué)習(xí)是通過優(yōu)化某些成本函數(shù)，來使預(yù)測的誤差最小化。在訓(xùn)練出最佳模型之后，將其正式發(fā)布上線，再根據(jù)未來生成的數(shù)據(jù)生成準(zhǔn)確的預(yù)測。這些新數(shù)據(jù)示例可能是用戶交互、應(yīng)用處理或其他軟件系統(tǒng)的請求生成的——這取決于模型需要解決的問題。在理想情況下，我們會希望自己的模型在生產(chǎn)環(huán)境中進(jìn)行預(yù)測時，能夠像使用訓(xùn)練過程中使用的數(shù)據(jù)一樣，準(zhǔn)確地預(yù)測未來情況。

　　當(dāng)我們將模型部署到生產(chǎn)中時，往往會假設(shè)未來將使用到的數(shù)據(jù)會類似于過去模型評估期間所使用的數(shù)據(jù)。具體來說，我們可能會假設(shè)，特征和目標(biāo)的分布將保持相當(dāng)?shù)暮愣?。但是這種假設(shè)通常不成立。趨勢會隨著時間的推移而變化，人們的興趣會隨著季節(jié)的變化而變化，股票市場會起伏不定。因此，我們的模型必須適應(yīng)這些變化。

　　世界是持續(xù)變化的，因此模型部署應(yīng)視為一個連續(xù)的過程，而不是完成第一次部署之后就扭頭去開展下一個項(xiàng)目。如果機(jī)器學(xué)習(xí)團(tuán)隊的工程師發(fā)現(xiàn)數(shù)據(jù)分布與原始訓(xùn)練集的數(shù)據(jù)分布有明顯出入，則需要重新訓(xùn)練模型。這個現(xiàn)象——通常被稱為模型漂移（model drift）——可以緩解，但是會帶來額外的開銷，如監(jiān)視基礎(chǔ)設(shè)施、監(jiān)督和流程等等。

　　在本文中，筆者想對模型漂移下定義，并討論如何去識別和跟蹤模型漂移。然后，我將描述如何重新訓(xùn)練模型，來減輕漂移對預(yù)測性能的影響，并對應(yīng)多久重新訓(xùn)練一次模型做出建議。最后，我將介紹啟用模型重新訓(xùn)練的幾種方法。

　　機(jī)器學(xué)習(xí)模型的訓(xùn)練，通常是通過學(xué)習(xí)某一組輸入特征與輸出目標(biāo)之間的映射來進(jìn)行的。一般來說，對于映射的學(xué)習(xí)是通過優(yōu)化某些成本函數(shù)，來使預(yù)測的誤差最小化。在訓(xùn)練出最佳模型之后，將其正式發(fā)布上線，再根據(jù)未來生成的數(shù)據(jù)生成準(zhǔn)確的預(yù)測。這些新數(shù)據(jù)示例可能是用戶交互、應(yīng)用處理或其他軟件系統(tǒng)的請求生成的——這取決于模型需要解決的問題。在理想情況下，我們會希望自己的模型在生產(chǎn)環(huán)境中進(jìn)行預(yù)測時，能夠像使用訓(xùn)練過程中使用的數(shù)據(jù)一樣，準(zhǔn)確地預(yù)測未來情況。

　　當(dāng)我們將模型部署到生產(chǎn)中時，往往會假設(shè)未來將使用到的數(shù)據(jù)會類似于過去模型評估期間所使用的數(shù)據(jù)。具體來說，我們可能會假設(shè)，特征和目標(biāo)的分布將保持相當(dāng)?shù)暮愣?。但是這種假設(shè)通常不成立。趨勢會隨著時間的推移而變化，人們的興趣會隨著季節(jié)的變化而變化，股票市場會起伏不定。因此，我們的模型必須適應(yīng)這些變化。

　　世界是持續(xù)變化的，因此模型部署應(yīng)視為一個連續(xù)的過程，而不是完成第一次部署之后就扭頭去開展下一個項(xiàng)目。如果機(jī)器學(xué)習(xí)團(tuán)隊的工程師發(fā)現(xiàn)數(shù)據(jù)分布與原始訓(xùn)練集的數(shù)據(jù)分布有明顯出入，則需要重新訓(xùn)練模型。這個現(xiàn)象——通常被稱為模型漂移（model drift）——可以緩解，但是會帶來額外的開銷，如監(jiān)視基礎(chǔ)設(shè)施、監(jiān)督和流程等等。

　　在本文中，筆者想對模型漂移下定義，并討論如何去識別和跟蹤模型漂移。然后，我將描述如何重新訓(xùn)練模型，來減輕漂移對預(yù)測性能的影響，并對應(yīng)多久重新訓(xùn)練一次模型做出建議。最后，我將介紹啟用模型重新訓(xùn)練的幾種方法。

　　什么是模型漂移？

　　模型漂移是指，由于環(huán)境的變化違反了模型假設(shè)，而導(dǎo)致模型的預(yù)測性能隨時間而降低。模型漂移有點(diǎn)用詞不當(dāng)，因?yàn)樽兓牟皇悄Ｐ停悄Ｐ瓦\(yùn)行的環(huán)境。因此，概念漂移（concept drift）一詞實(shí)際上可能是一個更好的用詞，不過兩個術(shù)語都描述了相同的現(xiàn)象。

　　請注意，筆者對模型漂移的定義實(shí)際上包括幾個可以更改的變量。預(yù)測性能將下降，它將在一段時間內(nèi)以某種速率下降，并且這種下降會歸因于違反建模假設(shè)的環(huán)境變化。在確定如何診斷ai服務(wù)器模型漂移以及如何通過模型再訓(xùn)練糾正模型漂移時，應(yīng)考慮這些變量中的每一個。

　　如何跟蹤模型漂移？

　　目前業(yè)內(nèi)已有多種識別和跟蹤模型漂移的技術(shù)。在介紹這些技術(shù)之前，值得一提的是，并沒有一種萬能的方法。不同的模型問題需要不同的解決方案，您可能有、也可能沒有相應(yīng)的基礎(chǔ)架構(gòu)或資源來利用某些技術(shù)策略。

　　模型性能降級

　　識別模型漂移的最直接方法是明確預(yù)測性能是否已下降，同時量化這種下降。測量實(shí)時數(shù)據(jù)上已部署模型的準(zhǔn)確性是一個眾所周知的難題。之所以出現(xiàn)這種困難，部分原因是我們需要訪問生成的模型的預(yù)測和基本事實(shí)信號。出于以下這些原因，這可能無法實(shí)現(xiàn)：

　　·預(yù)測的數(shù)據(jù)在生成后沒有存儲——別讓這種事發(fā)生在你身上。

　　·預(yù)測已存儲，但是您無法訪問基本事實(shí)標(biāo)簽。

　　·預(yù)測和標(biāo)簽均可用，但不能結(jié)合在一起。

　　即使預(yù)測和標(biāo)簽可以合并在一起，也可能需要一段時間才能使用標(biāo)簽。例如一個可以預(yù)測下一季度收入的財務(wù)預(yù)測模型。在這種情況下，只有在該季度過去之后才能觀察到實(shí)際收入，所以直到那個時候你才能夠量化模型的效果。在此類預(yù)測問題中， 回填預(yù)測（即訓(xùn)練模型，并根據(jù)過去的歷史數(shù)據(jù)生成預(yù)測）可以幫助您了解模型性能下降的速度。

　　正如Josh Wills 指出的那樣，在部署模型之前您可以做的最重要的事情之一就是試圖了解離線環(huán)境中的模型漂移。數(shù)據(jù)科學(xué)家應(yīng)想辦法回答以下問題：“如果我使用六個月前的浪潮ai服務(wù)器數(shù)據(jù)對這組特征進(jìn)行訓(xùn)練，并將其應(yīng)用于今天生成的數(shù)據(jù)，那么這個模型比我一個月前未經(jīng)訓(xùn)練而創(chuàng)建并應(yīng)用到今天的模型差多少呢？”。離線執(zhí)行此分析，您可以估計模型性能下降的速度以及需要重新訓(xùn)練的頻率。當(dāng)然，這種方法的前提是要有一臺“時光機(jī)”來訪問過去任何時候的實(shí)時數(shù)據(jù)。