评价机器学习模型的思路
这个标题不够严谨,不同业务领域下的模型,没有可比性。因此,应当增加一定的限定条件,才能对机器学习的模型进行比较。
当前可行的限定条件,如下:
- 模型
- 模型结构
- 参数的数量
- 训练算法
- 训练时长
- 数据
- 训练数据集
- 验证数据集
- 数据质量
- 基础平台
- 训练平台
- 硬件
- 软件
- 运行平台
- 硬件
- 软件
- 训练平台
在给定上述条件时,可观察的指标有:
- 模型自身的特征
- 模型占用的硬盘空间
- 模型占用的内存空间
- 资源类指标
- CPU使用量
- 内存使用量
- GPU使用量
- GPU内存使用量
- 模型的性能
- 准确性,和业务领域、模型强相关。
- 时间开销,这里主要指使用模型执行推断操作时的时间开销,不包括推断框架自身运行时产生的时间开销。
设计训练试验时,梳理并逐步完善对模型性能存在影响在因素,在试验过程中,逐步积累相关因素与模型性能的相关性。
比如可行的操作方法,即一个批次的试验只变化其中一个因子,而保持其它因子不变,保证相同批次内的试验具备可比性。
这在一定程度上可以用于分析限定条件和观察指标之间的相关性,指导后续的工作。
考虑到机器学习方法的复杂性,数据量和质量等等因素,前述方法在实际操作中,存在相当的变数,可能需要投入大量的人力、设备、时间来反复验证。
本文来自博客园,作者:jackieathome,转载请注明原文链接:https://www.cnblogs.com/jackieathome/p/17935683.html