这是一个创建于 1789 天前的主题，其中的信息可能已经有所发展或是发生改变。
问题一：我做了一个新闻分类器，在本地训练和测试的准确率是 70%，我上线之后，如何评估线上的准确率呢？
问题二：假设我有一些类别分错了，我想定期自动分拣出错误的结果，然后加入到训练模型里面重新训练，然后再上线（相当于一个自动召回系统？）
 |
1
shikimoon 2020-01-28 19:19:28 +08:00
问题一不说了，问题二不一定总是有效
|
 |
2
classyk 2020-01-28 19:25:21 +08:00 via iPhone
在线学习 online learning 了解一下
|
 |
3
SlipStupig OP @shikimoon 结果是 1 和 2 我都不知道该怎么办。。
|
 |
4
SpencerCJH 2020-01-28 20:40:02 +08:00
有请算法工程师登场 (逃
|
 |
5
paopjian 2020-01-28 21:01:45 +08:00 via Android
线上准确率不就是接着打标签再算吗？
|
 |
6
sethverlo 2020-01-28 21:24:29 +08:00
1. 打日志就行了嘛…
2. 看你用的是什么框架啊，有的框架不支持 continue training 的，比如说 fasttext （其实 fasttext 支持 unsupervised 的再训练，但我用的是 supervised learning |
|
7
SlipStupig OP |
|
8
SlipStupig OP @sethverlo 还有一种情况就是加入了新的样本，进行增量训练
|
 |
9
razrlele 2020-01-28 21:43:06 +08:00  1
Q1:
可以用 AUC 来衡量离线在线指标。 Q2： 定期更新模型。 |
|
10
shikimoon 2020-01-28 22:00:38 +08:00 1
@SlipStupig 你这是想当然了，把识别错误的 case 加进训练集重新训练效果就能变好，那一直加 acc 不是变 100%？
|
 |
11
Xs0ul 2020-01-28 22:43:39 +08:00 1
线上如果没有用户反馈给你标 label,没法知道预测是对是错. 不然你把这套流程移到输出之前,岂不是凭空提高了准确率
|
|
12
paopjian 2020-01-29 00:17:30 +08:00 via Android 1
你要想在线学习我建议走 deeplearning，不用打标签，你这也太理想化了，监督学习引入非监督变量，那怎么判错？
|
|
13
SlipStupig OP |
 |
14
HankAviator 2020-01-29 00:29:41 +08:00 via Android 1
1. 看你关注的指标，AUC，lift，误分类率都可能用得上。
2. 持续训练是成本最低且现实的方案，主流企业也都是采用这个办法。样本量够大就足以生成令人满意的模型。 |
|
15
HankAviator 2020-01-29 00:31:07 +08:00 via Android 1
另外采用复杂算法（集合树）相对简单二分类树可能有更好的效果
|
|
16
HankAviator 2020-01-29 00:33:18 +08:00 via Android 1
上线模型一般都做周期性检验，然后测试环境跑一下，没问题就迭代到生产。引入尽可能多的变量也会有帮助（如果成本允许）
|
|
17
SlipStupig OP @HankAviator 问一个小白问题，指标该如何选择？
|
|
18
paopjian 2020-01-29 01:35:32 +08:00 via Android
建议看一下 Hands － On.Machine.Learning.with.Scikit － Learn.and.TensorFlow。里面的机器学习方法都有讲，你这个 70 正确率也不是太好的
|
 |
19
Mrpasserby 2020-01-29 03:13:20 +08:00
你需要收集日志
|
 |
20
t6attack 2020-01-29 06:27:46 +08:00
现实生产环境中，比如 预测金融市场、预测天气，都是用事实结果作为新数据持续训练的。
你这种，事实结果只能人工判断。没有其他办法。如果有，那就形成了逻辑悖论。如果有其他“非人工”方式可以知道分类结果是否准确，为什么不直接用这个方式进行分类呢？ |
 |
21
pandachow 2020-01-29 07:20:46 +08:00 1
如果线上环境没有引入用户反馈机制，那么分类器的分类效果是没有办法自动提升的。
例如广告点击这样的业务场景，给用户看若干广告，用户可以选择无视，点击，或者点击 X 关闭，进而可以通过用户的反馈 target，再把新样本放进去不断训练。所以建议结合产品和业务场景引入一个合适合理的反馈机制。 错误样本不需要重新训练，你可以手动设定他们的权重，如果是 heavily imbalanced dataset 的分类场景，建议使用 ROC & AUC （或带权重的）来作为评估。 |
 |
22
otato 2020-01-29 09:17:41 +08:00 2
如果不靠人工能分辨对错，为什么还需要你这个系统，直接上线分辨系统啊
|
 |
23
icylogic 2020-01-29 10:52:37 +08:00 via iPhone 1
supervised 只能持续人工标注新样本然后继续训练 /重新训练啊，你能做的只是提取出大小合理的 sample 送标注
|
 |
24
p2pCoder 2020-01-29 14:01:25 +08:00 1
线上的业务指标和离线指标是不一样的
线上的业务指标是需要通过实验平台进行 abtest 的，比如一般的 ctr cvr，日活的变化，留存率的变化，以及总的转化，这些需要业务方确定指标 实验平台也是一个比较大的工程，具体可参考谷歌的论文 你最终的目标是通过这个分类器，使在新闻分类这个栏目下，各个新闻分类下，总的业务指标提升，比如用户 ctr，用户停留时长，用户总的点击量，平均每个用户点击量之类的指标 至于样本滚动更新，正负样本的选取，模型的例行训练，模型的滚动更新，甚至在线学习，这些又是其他很复杂的东西了 机器学习落地是一个大的系统性工程 |
|
25
SlipStupig OP @p2pCoder 大哥，太感谢了，能留个联系方式么，想深入交流一下，顺带表示感谢
|
|
26
p2pCoder 2020-01-30 13:28:32 +08:00
@SlipStupig wx:emdiZ3gx
|
|
27
SlipStupig OP @p2pCoder 查找不到哦 😯
|
|
28
p2pCoder 2020-02-01 17:43:29 +08:00
@SlipStupig base64
|
Select Language