确定您的机器学习实施是否无债务的三种方法？

Q&AQ&A问答

确定您的机器学习实施是否无债务的三种方法？

来源：CPDA数据分析师网 / 作者：数据君 / 时间：2020-12-03

以下是在机器学习实现中识别出隐藏债务的大类：
1、边界侵蚀
2、数据依存关系
3、反模式
4、应对现实世界变化的影响
这听起来像是您的团队遇到的一个问题吗？以下是您可能终陷入机器学习债务的三种主要方式：

1.边界侵蚀
软件工程中的封装和模块化设计实践创建了强大的抽象边界，以帮助维护代码，因此，可以轻松扩展代码以进行增强，而无需修改现有代码。不幸的是，很难通过定义特定的预期行为来为机器学习系统实施抽象边界。这是由于纠缠，校正级联和未声明的使用者/用户造成的。

2.数据依赖性
依赖债务是导致软件开发中的代码复杂性和技术债务的重要因素，幸运的是，现代的编译器和链接器能够检测并帮助修复此类依赖性，数据依存关系在机器学习系统中具有相似的影响，但难以检测，不稳定的数据依赖关系，未充分利用的数据依赖关系以及对数据依赖关系的静态分析是在机器学习系统中创建隐藏债务的一些与数据相关的原因。

3.反模式
专门用于训练模型和预测的代码比其他各种类型的代码小得多，并且可能使您的机器学习系统陷入困境，示例包括胶水代码（其中几个其他不兼容的组件被快速组合到单个实现中）或无效的实验代码路径（其中编写代码以进行快速原型设计以在机器学习实现中获得快速的周转时间）。

如何摆脱机器学习债务

使用机器学习算法创建的模型在与真实世界直接交互的业务应用程序中使用，反过来它们通常会遵循现实世界的不稳定特性，从而在您的机器学习系统中隐藏债务，机器学习实现中的此类情况保证了值得信赖的数据合作伙伴的信任，该数据合作伙伴可以提供帮助防止在预测性旅程中无意中产生的非显而易见的隐性债务的功能，这样数据驱动的组织就可以不受约束地踏上数字化转型的道路。

客服热线：400-050-6600

商业联合会数据分析专业委员会

Prev article

分析如何改善医疗保健结果

返回列表

Next article

未来几年内企业中数据分析/数据科学的方向是什么？