Veri kayması
Zaman içinde, bir veya daha fazla özellikteki veriler dağılım, boyut ve diğer özellikler bakımından değiştiği için modelinizin doğruluğu azalabilir. Orijinal model belirli desenler ve dağıtımlar içeren özelliklerle eğitildiğinden, bu dağıtımlarda gelecekte yapılacak değişiklikler tahminlerin kesinliğini ve kalitesini etkileyecektir.
Veri kayması ölçülebilir ve çeşitli şekillerde hesaplanabilir. Qlik AutoML'de veri kayması, popülasyon kararlılık endeksi formülü ile hesaplanır. bk. Dağıtılan modellerde veri kaymasını izleme.
En iyi uygulama, orijinal eğitim veri kümesini tahminler ürettiğiniz en güncel uygulama veri kümesiyle 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 performansının değerlendirilmesi hakkında daha fazla bilgi için bkz. Zaman içinde model performansını değerlendirme.
Örnek
Bir şirketin, özellikle 45 yaş ve üzeri tüketiciler arasında popüler olduğu tespit edilmiş bir ürün grubuna sahip olduğunu varsayalım. Bir Yaş özelliği için değer dağılımı aşağıdaki gibi görünebilir.
Şirket satışlarının daha çok 45 yaş üstü tüketicilere hitap ettiğini gösteren çubuk grafik.
Yakın zamanda şirket, genç tüketicilere de hitap edecek şekilde pazarlanan yeni bir ürün tanıttı. Ürün beklendiği gibi satıldığında, Yaş özelliği için önemli bir özellik kayması görürüz.
Her yaştan tüketiciye daha eşit şekilde hitap eden şirket satışlarının daha dengeli dağıldığını gösteren sütun grafik.
AutoML'de veri kayması izleme
AutoML, dağıtılan modellerinizde özellik bazında veri kaymasını tespit etmenize yardımcı olacak yerleşik araçlara sahiptir. Daha fazla bilgi için bk. Dağıtılan modellerde veri kaymasını izleme.