作者 | CloudFactory
译者 | 天道酬勤 责编 | 徐威龙
出品 | AI科技大本营（ID:rgznai100）
高效的机器学习模型需要高质量的数据。训练你的机器学习模型并不是过程中的单个有限阶段。即使将其部署到生产环境中，也可能需要稳定的新训练数据流来确保模型随时间推移的预测准确性。
毕竟，训练数据会显式地调用数据集中的属性，这些属性代表外部世界中不断变化的基本事实。如果不进行周期性的重新训练，随着现实世界变量的演变，模型的准确性自然会随时间下降。
在本文中，我们将讨论为什么不管你的初始训练数据过程多么严格，继续训练你的机器学习模型都是至关重要的。我们还将讨论再训练的方法以及每种方法的优点。
最后，我们将介绍如何在任何机器学习项目开始时预见对后续更新的需求。通过从一开始就建立再训练流程，帮你设计一个可持续的预测模型。
数据漂移与再训练需求
为什么大多数机器学习模型都需要更新才能保持准确性？答案在于训练数据的性质以及它如何告知机器学习模型的预测功能。
训练数据是一个静态数据集，机器学习模型可从该数据集中推断出模式和关系，并形成对未来的预测。
随着现实世界条件的变化，训练数据的基本事实方面表示可能会不太准确。想象一下用于预测50个大型都会区租金成本的机器学习模型。从2000年到2019年的训练数据可能会以惊人的准确性预测2020年的租金价格。在预测2050年的租金价格时，这种方法可能会不太有效，因为房地产市场的基本性质可能在未来几十年内发生变化。
