Veri kayması
Zamanla, bir veya daha fazla özellikteki verilerin dağılımı, büyüklüğü ve diğer özellikleri değiştiği için modelinizin doğruluğu düşebilir. Orijinal model belirli kalıplar ve dağılımlar içeren özelliklerle eğitildiğinden, bu dağılımlarda gelecekte meydana gelecek değişiklikler tahminlerin kesinliğini ve kalitesini etkileyecektir.
Veri kayması sayısallaştırılabilir ve çeşitli şekillerde hesaplanabilir. Qlik Predict içinde veri kayması, popülasyon kararlılık endeksi formülü ile hesaplanır. Bkz. Dağıtılan modellerde veri kaymasını izleme.
En iyi uygulama, orijinal eğitim veri kümesini, üzerinde tahminler oluşturduğunuz en güncel uygulama veri kümesi ile karşılaştırarak modelinizi veri kayması açısından izlemektir. Veri kayması belirli bir eşiğe ulaştığında modeli yeniden eğitin veya orijinal makine öğrenimi probleminiz önemli ölçüde değiştiyse yeni bir model yapılandırın.
Zaman içinde model performansını değerlendirme hakkında daha fazla bilgi için bkz. Zaman içinde model performansını değerlendirme.
Örnek
Bir şirketin, temel olarak 45 yaş ve üzeri tüketiciler arasında popüler olduğu tespit edilen bir ürün grubuna sahip olduğunu varsayalım. Bir Age özelliği için değer dağılımı aşağıdaki gibi görünebilir.
Şirket satışlarının 45 yaş üstü tüketicilere daha fazla hitap ettiğini gösteren çubuk grafik.
Şirket yakın zamanda daha genç tüketicilere de hitap edecek şekilde pazarlanan yeni bir ürün tanıttı. Ürün beklendiği gibi sattığında, Age özelliği için önemli bir özellik kayması görüyoruz.
Şirket satışlarının daha eşit dağıldığını ve şirket satışlarının her yaştan tüketiciye daha eşit şekilde hitap ettiğini gösteren çubuk grafik.
Qlik Predict içinde veri kayması izleme
Qlik Predict, dağıtılan modellerinizde özellik bazında veri kaymasını tespit etmenize yardımcı olacak yerleşik araçlara sahiptir. Daha fazla bilgi için bkz. Dağıtılan modellerde veri kaymasını izleme.