የመስመር ላይ እና ከመስመር ውጭ ባህሪ Skew ማገልገል

Catching and preventing this mismatch is one of the hardest, most important jobs in real-world machine learning.

ሞዴሎች በትልልቅ የታሪክ መረጃዎች 'ከመስመር ውጭ' የሰለጠኑ ናቸው፣ ከዚያም ትንበያዎችን 'በመስመር ላይ' በቅጽበት ያገለግላሉ። እነዚህ ሁለት መንገዶች ባህሪያትን በተለየ ሁኔታ ሲያሰሉ ስኪው ይነሳል። የተለመዱ ምክንያቶች፡ የተለየ ኮድ (Python batch job vs. Java serving service) በዘዴ የማይስማማ፤ የጊዜ መፍሰስ፣ ከመስመር ውጭ ስልጠና በአጋጣሚ በግምታዊ ጊዜ ገና ያልተገኘ መረጃን የሚጠቀምበት; እና የቆዩ የመስመር ላይ ባህሪያት፣ እንደ 'በመጨረሻው ሰዓት ውስጥ ያሉ ትዕዛዞች' የሚሸጎጡበት እና ጊዜው ያለፈበት እሴት። ሞዴሉ ከመስመር ውጭ ግምገማ ጥሩ ይመስላል ነገር ግን የሚያያቸው ግብዓቶች ካሰለጠነው ጋር ስለማይመሳሰሉ ቀጥታ አፈጻጸምን አሟልቷል። skewን መፈለግ በመስመር ላይ የሚቀርቡትን ትክክለኛ ባህሪያት ማስገባት እና ስርጭቶቻቸውን ከስልጠናው ስብስብ ጋር ማወዳደርን ይጠይቃል፣ይህን ግን መከልከል ለሁለቱም ዱካዎች አንድ የጋራ ፍቺን ይሰጣል።