The ML Test Score: A Rubric for ML Production Readiness and Technical Debt Reduction 重点翻译
传统测试与ML测试的区别： 测试特征和数据 特征期望需要在固定模式：保证合适的数据分布和数据特征，使用可视化工具实现。 所有的特征对于模型有益：通过对于每个特征相关度的计算移除不必要的特征。 每个特征的cost均衡：不仅仅只考虑延迟和RAM使用量，同事考虑上流数据依赖性以及数据依赖不稳定性 特征与高水平的需求有关： 数据的流水线有合适的隐私控制 新的特征可以迅速加入 所有的特征代码需要经过测试 模
相关文章
- 1. [ML] Pyspark ML tutorial for beginners
- 2. ml-8-2-降维(Dimensionality Reduction)
- 3. A great tutorial with Jupyter notebook for ML beginners
- 4. a simple machine learning system demo, for ML study.
- 5. Continuing with BI, ML and AI
- 6. The oversees students test score used for SQL
- 7. Open Source Book For ML
- 8. [ML] Naive Bayes for Text Classification
- 9. JTAG – A technical overview and Timing
- 10. [ML] Pipeline in Distributed ML Library
- 更多相关文章...
- • Scala for循环 - Scala教程
- • Lua for 循环 - Lua 教程
- • RxJava操作符（七）Conditional and Boolean
- • Docker容器实战(七) - 容器眼光下的文件系统
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. [ML] Pyspark ML tutorial for beginners
- 2. ml-8-2-降维(Dimensionality Reduction)
- 3. A great tutorial with Jupyter notebook for ML beginners
- 4. a simple machine learning system demo, for ML study.
- 5. Continuing with BI, ML and AI
- 6. The oversees students test score used for SQL
- 7. Open Source Book For ML
- 8. [ML] Naive Bayes for Text Classification
- 9. JTAG – A technical overview and Timing
- 10. [ML] Pipeline in Distributed ML Library