Technieken om data drift te detecteren en te corrigeren
Bij Machine Learning is het essentieel om te begrijpen hoe je de prestaties van een gedeployed model in de tijd op peil houdt. Een veelvoorkomende uitdaging is data drift: de verdeling van invoergegevens verandert. Dat kan leiden tot lagere modelprestaties en onnauwkeurige voorspellingen.
Wat zijn passende stappen om data drift in Machine Learning-modellen te detecteren en te corrigeren? (Selecteer alle juiste opties.)
Deze oefening maakt deel uit van de cursus
End-to-End Machine Learning
Interactieve oefening met praktijkervaring
Zet theorie om in actie met een van onze interactieve oefeningen
Begin oefening