将训练有素的机器学习模型部署到生产中的步骤

Question

我是ML世界的新手，当阅读关于用训练数据构建模型并最终测试数据以适应要求时，直到这一点我都能够理解，我的问题是一旦测试模型就准备好了

1. 生产部署后是否需要训练/重新训练模型？ 如果是这样，做法是什么？
2. 有没有办法持久化假设，以便模型可以使用持久化的结果进行预测？
3. 每天、每周或每月重新训练模型是好的做法吗？

假设spark MLib用于构建模型

• 让我补充更多细节。当我训练模型时，为了论证，它会在预生产环境中生成基于分数的训练数据，我是否可以将带有分数的数据保存在分布式存储中，以便以后预测，而不是重新训练模型。我想了解步骤1）当我将经过良好测试的模型从预生产环境转移到生产环境时，我是否需要训练数据和新数据集来预测结果

我对机器学习很新，想了解模型代码如何发布到下一个环境中，我需要考虑哪些步骤

感谢您的澄清，这意味着我需要将模型对象部署到生产中，然后使用生产数据（特征）来计算目标数据值？，您能否向我推荐任何书籍或信息，我可以深入了解如何构建、验证和部署监督算法。

再次感谢您抽出时间教育我。

Answer 1

生产部署后是否需要训练/重新训练模型？如果是这样，做法是什么？

不一定，但你可能会。很大程度上取决于被建模的内容以及随着时间的推移它的稳定性。

有没有办法持久化假设，以便模型可以使用持久化的结果进行预测？

• ？？我不确定我是否理解这个问题，但大多数生产模型都有与分析/报告/可视化软件相连的日志系统，以帮助跟踪模型性能并帮助决定何时进行再培训

每天或每周或每月重新训练模型是好的做法吗？

• 取决于性能和资源限制。如果你有少量的模型需要重新训练/评分，并且重新训练不会影响SLA，这可能不是一个坏主意，但是当计算资源有限时，答案可能会改变。