创建了机器学习模型后
(例如,假设使用逻辑回归进行二进制分类以识别心脏病的结局,因此结局为“是”,“否”以及其他10个预测变量)
并通过对测试数据进行预测,然后计算准确性,召回率等方式,对模型进行了评估(还包括改进模型拟合的形式,例如正则化)
我在网上看到的大多数示例似乎只是切断了诸如准确性之类的评估模型指标!
那么,在他们建立模型之后,该怎么办?请记住,该模型仅建立在一个数据集上,该数据集被分为训练并在测试中进行了验证。
有什么想法吗?
答案 0 :(得分:1)
是关于如何将机器学习模型推向生产世界的吗?
然后,您当然应该确保您拥有模型
a)不断更新新数据,并始终对部分数据进行评估。
b)建立一个负责周期性再训练和模型评估的管道,因此建立性能监控