Czym jest przesunięcie kowariancyjne?

Monitorowanie modeli uczenia maszynowego – podstawowe koncepcje

Hakim Elakhrass

Co-founder and CEO of NannyML

Definicje

  • zmienne kowariancyjne $=$ cechy wejściowe
  • $P(X)$ ulega zmianie
  • prawdopodobieństwo łączne $P(Y|X)$ pozostaje niezmienione
  • zmiany w łącznym rozkładzie kowariancji
Monitorowanie modeli uczenia maszynowego – podstawowe koncepcje

Dlaczego łączny rozkład prawdopodobieństwa?

Wykres ilustrujący korelację dodatnią i ujemną między cechą pierwszą a drugą. Korelacja dodatnia w tygodniu 10 (kolor niebieski), ujemna w tygodniu 16 (kolor czerwony).

Monitorowanie modeli uczenia maszynowego – podstawowe koncepcje

Dlaczego dochodzi do przesunięcia kowariancyjnego?

Potencjalne przyczyny przesunięcia kowariancyjnego:

  • Świat rzeczywisty nie jest stacjonarny — wzorce i trendy ewoluują
  • Zmiany źródeł danych — różnice w sposobie zbierania danych między testowaniem a produkcją
  • Ewolucja systemu i środowiska
Monitorowanie modeli uczenia maszynowego – podstawowe koncepcje

Jak przebiega przesunięcie kowariancyjne?

Dynamika zmian w rozkładzie:

  • Nagła

 

  • Stopniowa

 

  • Sezonowa

 

Obraz ilustruje nagłą zmianę rozkładu danych. Początkowo rozkład reprezentowany jest przez niebieskie punkty, które po pewnym czasie gwałtownie przechodzą w czerwone.

Obraz ilustruje stopniową zmianę rozkładu danych. Początkowo rozkład reprezentowany jest przez niebieskie punkty, które z czasem powoli przechodzą w czerwone, a następnie wracają do niebieskich. Na początku zmienia kolor tylko jeden punkt, po pewnym czasie cały rozkład jest czerwony.

Obraz ilustruje sezonową zmianę rozkładu danych. Początkowo rozkład reprezentowany jest przez niebieskie punkty, które nagle przechodzą w czerwone, po czym wracają do niebieskich. Cykl się powtarza, ukazując okresowy charakter zmian.

Monitorowanie modeli uczenia maszynowego – podstawowe koncepcje

Jak wykryć przesunięcie kowariancyjne?

Metoda jednowymiarowa

Rozkłady wartości produkcji dla każdego miesiąca od września do marca. Siedem rozkładów — od września do grudnia podobne i stabilne (kolor niebieski), od stycznia do marca kurczące się ze średnią przesuwającą się ku niższym wartościom (kolor czerwony).

Metoda wielowymiarowa

Wielowymiarowy przepływ pracy do wykrywania dryfu: dane wielowymiarowe są kompresowane do przestrzeni latentnej, a następnie dekompresowane do postaci wyjściowej z pewnym błędem.

1 https://app.datacamp.com/learn/courses/dimensionality-reduction-in-python
Monitorowanie modeli uczenia maszynowego – podstawowe koncepcje

Czas na ćwiczenia!

Monitorowanie modeli uczenia maszynowego – podstawowe koncepcje

Preparing Video For Download...