将训练有素的机器学习模型部署到生产中的步骤

Question

我是 ML 世界的新手，在阅读有关使用训练数据构建模型并最终测试数据以满足要求时，直到这一点我能够遵循，我的问题是一旦测试模型准备好部署

1. 生产部署后是否需要训练/重新训练模型？如果有，具体做法是什么？
2. 有没有办法坚持假设，以便模型可以使用坚持的结果进行预测？
3. 每天、每周或每月重新训练模型是否良好？

假设使用 spark MLib 构建模型

• 让我添加更多详细信息。当我训练模型时，它会在预生产环境中生成基于分数的训练数据，我可以将带有分数的数据保存在分布式存储中以供以后预测，而不是重新训练模型。我想了解步骤 1) 当我将经过良好测试的模型从预生产环境带到生产环境时，我是否需要有训练数据和新数据集来预测结果？

我是机器学习的新手，想了解模型代码如何发布到下一个环境，我需要考虑哪些步骤

感谢您的澄清，这意味着我需要将模型对象部署到生产中，然后使用生产数据（功能）来计算目标数据值？请您参考我可以了解如何构建的任何书籍或信息，验证和部署监督算法。

再次感谢您花时间教育我。

Answer 1

生产部署后是否需要训练/重新训练模型？如果是这样，具体做法是什么？

不一定，但您可能会。很大程度上取决于正在发生的事情 建模以及随着时间的推移它的稳定性。

有没有办法坚持假设，以便模型可以使用坚持的结果进行预测？

• ??不确定我是否理解这个问题，但大多数生产模型都有记录系统附加到分析/报告/可视化 帮助跟踪模型性能并帮助决定何时 重新训练。

每天、每周或每月重新训练模型是一种好习惯吗？

• 取决于性能和资源限制。如果您有少量模型需要重新训练/评分和重新训练 不会影响 SLA，这可能不是一个坏主意，但是当有 计算资源有限，答案可能会改变。