Search
🌍

ba2.4.3.4. title: 모델의 성능 저하는 모델 드리프트 발생을 의미할 수 있다. 메트릭(‣)을 정하고 그것을 추적하면 모델 드리프트(‣)를 모니터링할 수 있다.

생성
🚀 prev note
♻️ prev note
🚀 next note
♻️ next note
ba2.4.3.4.1. title: 모델 성능을 추적하기 위해서는 GT가 필요하다. 미래를 예측하는 모델의 경우, GT는 시간이 지남에 따라 자동으로 수집된다. 혹은 서비스 차원에서 피드백 루프(‣)를 만드는 방법이 있다.
ba2.4.3.3.1. title: 베이스라인은 모델이 최소한으로 확보해야 하는 성능에 대한 기준선을 의미하기도 하지만, 데이터 드리프트와 관련해서는 모델이 학습되었던 상황과 비교하여 받아들일 수 있는 데이터의 통계적 특성 차이의 기준선을 의미하기도 한다. 기준선은 학습 시 사용되었던 데이터셋(‣)으로부터 만들어진다.
14 more properties
그림 (참고1)
모델의 성능 저하는 모델 드리프트 발생을 의미할 수 있다. 데이터 드리프트든 컨셉 드리프트든 이들은 결과적으로 모델의 성능을 감퇴시키기 때문이다(참고3). real-world 문제상황에서 모델의 성능을 시간이 지남에 따라 감퇴시키는 수많은 원인들 중 강력한 원인은 모델 드리프트이다. 다시 말해, 모델 드리프트(데이터 드리프트, 컨셉 드리프트)가 원인이고, 모델의 성능 감퇴는 그로 인해 발생하는 대표적인 현상이다.
모델 드리프트 발생→모델의 성능 감퇴모델\ 드리프트\ 발생 → 모델의\ 성능\ 감퇴
F1 Score (이 경우, ‘값’(from2) 에 해당한다)과 같은 적절한 메트릭을 정하고 모델의 성능을 추적하는 것(참고2)도 모델 드리프트(from1)를 모니터링하는 방법이 될 수 있다.
parse me : 언젠가 이 글에 쓰이면 좋을 것 같은 재료들.
1.
None
from : 과거의 어떤 생각이 이 생각을 만들었는가?
1.
2.
supplementary : 어떤 새로운 생각이 이 문서에 작성된 생각을 뒷받침하는가?
opposite : 어떤 새로운 생각이 이 문서에 작성된 생각과 대조되는가?
1.
None
to : 이 문서에 작성된 생각이 어떤 생각으로 발전되고 이어지는가?
참고 : 레퍼런스