Modele de deriveur

février 17, 2019
lesclar64@gmail.com

Pouvez-vous publier quelques ouvrages sur le point 5: apprendre le changement? La façon dont je pense qu`il est, vous avez un modèle de base globale qui agit comme un modèle statique. Un autre modèle qui est formé sur des données ultérieures, qui capte essentiellement la tendance récente. Cela peut également impliquer le retour-test du modèle afin de sélectionner une quantité appropriée de données historiques à inclure lors du réaménagement du modèle statique. Dans l`analytique prédictive et l`apprentissage automatique, la dérive du concept signifie que les propriétés statistiques de la variable cible, que le modèle tente de prédire, changent au fil du temps de manière inattendue. Cela provoque des problèmes parce que les prédictions deviennent moins exactes que le temps passe. L`activité des projets de recherche avancée sur le renseignement (IARPA) recherche des informations sur les méthodes automatisées pour détecter, quantifier et corriger la dérive du modèle. La présente demande de renseignements (RFI) est délivrée uniquement à des fins de collecte et de planification d`informations; cette DDR ne constitue pas une sollicitation formelle de propositions. Les sections suivantes de cette annonce contiennent des détails sur la portée des efforts techniques d`intérêt, ainsi que des instructions pour la soumission des réponses. Le comportement des clients dans une boutique en ligne peut changer au fil du temps. Par exemple, si les ventes hebdomadaires de marchandises doivent être prédites, et un modèle prédictif a été développé qui fonctionne de manière satisfaisante.

Le modèle peut utiliser des intrants tels que la quantité d`argent dépensé pour la publicité, les promotions en cours d`exécution et d`autres mesures qui peuvent affecter les ventes. Le modèle est susceptible de devenir de moins en moins précis au fil du temps – c`est la dérive du concept. Dans l`application de vente de marchandises, une raison de dérive de concept peut être saisonnalité, ce qui signifie que le comportement d`achat change de façon saisonnière. Il y aura peut-être des ventes plus élevées pendant la saison des vacances d`hiver que pendant l`été, par exemple. Les modifications peuvent être corrélatives, par exemple que les prédictions faites par un modèle formé sur des données historiques plus anciennes ne sont plus correctes ou aussi correctes qu`elles pourraient l`être si le modèle a été formé sur des données historiques plus récentes. Cela peut être considéré comme un ensemble de type stimulant (en esprit seulement) où les modèles ultérieurs corrigent les prédictions des modèles antérieurs. La principale différence ici est que les modèles ultérieurs sont adaptés à des données différentes et plus récentes, par opposition à une forme pondérée du même DataSet, comme dans le cas d`AdaBoost et le renforcement de gradient. Par exemple, vous pouvez peut-être mettre à jour le modèle chaque mois ou chaque année avec les données collectées à partir de la période précédente. Une solution est un modèle de compréhension de la façon dont un système doit réagir lors de la mise en œuvre de la solution.

Si le modèle est correct, la solution fonctionne. Sinon, il échoue. La pensée dans ces termes nous permet d`apprendre du corps de la théorie du cycle Kuhn et la riche histoire des nombreux cycles passés de tant de domaines scientifiques. Dans les applications d`analyse de données les plus exigeantes, les données évoluent au fil du temps et doivent être analysées en temps quasi réel. Les schémas et les relations dans ces données évoluent souvent au fil du temps, ainsi, les modèles conçus pour l`analyse de ces données deviennent rapidement obsolètes au fil du temps. Dans l`apprentissage automatique et l`exploration de données, ce phénomène est appelé dérive de concept. Model Drift est la deuxième étape du cycle Kuhn. Le cycle commence dans la science normale où un champ a un modèle de compréhension (son paradigme) qui fonctionne.

Le modèle permet aux membres d`un champ de résoudre les problèmes d`intérêt.