Дрифт на автомате


Дрифт на автомате (АКПП)

Большинство автолюбителей используют свои автомобили по прямому назначению – для того, чтобы добраться из точки А в точку Б. Однако, есть определенный тип водителей, которые ездят не только для транспортировки своего тела, но и для получения дозы адреналина и удовольствия от вождения.

Одним из разновидностей экстремального вождения является дрифт. Классически, дрифт (от анг. – «скольжение») осуществляется на автомобилях с задним приводом и механической коробкой переключения передач (МКПП). Однако, в текущих реалиях существуют тренд к уменьшению автомобилей с механикой и все чаще нам предлагают автоматическую коробку переключения передач (АКПП).

И людям интересно – как дрифтить на АКПП? Реально ли это? Ответ – да, все возможно. Специально для вас, в рамках рубрики «Полезные автосоветы», проводим краткий ликбез и рассказываем, как осуществить дрифт на автомате!

Содержание статьи

Дрифт на автомате

Хотя дрифт на АКПП и возможен, однако, это немного сложнее, чем в случае с МКПП. Все дело в отсутствии педали сцепления. Именно поэтому, автомобиль нужно подготовить перед веселыми покатушками.

Отсутствие отдельной педали сцепления снижает мощность двигателя, примерно, на 15-20%, это касается как непосредственной мощности (л.с.), так и момента (Нм). Даже если вы улучшите двигатель и КПП автомобиля, все равно не получится добиться таких результатов, как на автомобилях с МКПП.

Практика – с чего начать?

Если вы совсем зеленый новичок, то перед тем, как начать люто отжигать в дрифте на автомобиле с АКПП нужно изучить основы. Этапы изучения таковы:

  1. Находим пустой и безопасный, а также просторный спот (место, где будем тренироваться), чтобы отточить свои навыки.
  2. Оттачиваем технику разворота на 180 градусов при помощи ручного тормоза. В центре площадки нужно установить какую-то метку – конус, колесо, да хоть канистру из-под масла. Двигайтесь по направлению к конусу и при помощи ручного тормоза пытайтесь выполнить разворот на 180 градусов.
  3. Следующий этап – попытка создания контролируемого заноса. Суть та же, только нужно совершить не полную остановку, а попытаться осуществить дрифт, при этом контролируя автомобиль. Рекомендуемая скорость – 60-80 км/ч. Если будете ехать медленнее – скорее всего, инерции и мощности автомобиля просто не хватит для осуществления заноса; быстрее – на данном моменте это опасно.
  4. Постепенно увеличивайте скорость разгона и продолжительность удержания автомобиля в скольжении. Первый элемент, который вы уже, по сути, начали осваивать – это «бублик», то есть дрифт вокруг конуса. Следующий элемент – «восьмерка».

Дрифт на АКПП в 4 шага

Если вы уже не зеленый новичок, а просто не знаете, как технически правильно осуществить дрифт на АКПП – вот 4 простых шага, как отправить автомобиль в занос.

  1. Выключаем все системы стабилизации и контроля автомобиля соответствующими кнопками. Обычно, в таком случае, на приборной панели загорается соответствующий индикатор (ESP, DSC).
  2. АКПП переводим в ручной режим (обычно, он называется DS) и рычагом КПП выбираем сразу вторую передачу.
  3. Разгоняемся до точки поворота и даем автомобилю небольшое качение – поворачиваем руль в сторону, противоположную направлению нашего дальнейшего пути, а затем быстро, но немножко, выворачиваем в сторону движения.
  4. Одновременно с этим движением поднимаем ручник и почти сразу же отпускаем. Чтобы это осуществить быстро (а для этого вам потребуется определенная сноровка), держите большой или указательный палец на кнопке возврата. Не забудьте добавить газку!

Вот и все, ваш автомобиль с АКПП теперь в управляемом скольжении. Регулировать угол и контролировать занос можно при помощи педали газа и повторении трюка с ручником.

Нажмите, чтобы оценить автора

[Всего оценок: 19 Средняя: 4.2]

Поделиться статьей:

Метки:
drift авто автомат автоматическая кпп акпп задний привод передний привод полезныесоветы управляемый занос

как можно правильно дрифтовать на АКПП

Сегодня ко мне пришел друг и задал такой вопрос: «А возможен ли дрифт на автомате?». Я посоветовал ему купить механическую коробку, если он собрался дрифтовать. А потом сижу и думаю, что при правильном поведении на дороге и соблюдении всех правил все-таки дрифт возможен. Но он не даст таких ощущений, как на механике.

Напишите в комментариях, дрифтовали ли вы на автомате?

Содержание

  1. Дрифт на автоматической коробке
  2. Передний привод
  3. Задний привод
  4. Полный привод
  5. Как делать дрифт автомобиля на автомате
  6. Режим на автоматической трансмиссии
  7. Контрсмещение
  8. Контрзанос
  9. С использованием ручного тормоза
  10. Система стабилизации DSC
  11. Как не убить АКПП при дрифте

Дрифт на автоматической коробке

Отвечая на вопрос, можно ли дрифтить на автомате, давайте разберемся с приводами машинами. Настоящий дрифт будет зависеть от того, какие колеса у транспортного средства являются ведущими.

Есть три вида приводов:

  • передний;
  • задний;
  • полный.

Поговорим о дрифте на каждом отдельно.

Передний привод

На переднем приводе ваш автомобиль будет лишь заносить. А называется это положение управляемым заносом. Так происходит потому, что передний привод в силу своей конструкции, не может иметь необходимую для дрифта поворачиваемость.

Чтобы сделать дрифт, можете воспользоваться:

  • ручником. Резко поворачиваете и дергаете ручник на себя. Это самый простой способ;
  • с помощью сброса газа. Но в этом случае вам трудно будет поймать и прочувствовать его.

Но в классическом дрифте всегда должны участвовать только задние колеса.

Внимание! Не пытайтесь выполнить дрифт на стоянках, трассах с повышенным автотрафиком. Это может привести к аварийной ситуации.

Задний привод

Многие автолюбители и опытные автовладельцы не понимают, как можно выполнить дрифт на автомате с задним приводом, да и вообще с любым приводом. Так как АКПП не позволит выйти в нужное состояние для дрифта. Автомат не приспособлен для агрессивной езды.

Но вы всегда можете попробовать следующие виды дрифта, если у вашего автомобиля задний привод:

  • с помощью ручника;
  • сброс газа;
  • поворот под газом. Так как задний привод имеет отличную поворачиваемость при движении вперед;
  • применив торможение. Является самым сложным из всех;
  • понижением передачи. Для этого понадобится переход на ручной режим;
  • с помощью раскачки.

Применяя любые из этих способов, вы не должны забывать о том, что нужно отключать DSC. Это система стабилизации. У вас не получится, удерживая тормоз, нажать на педаль газа до упора, дождаться пока стрелка спидометра доберется до 120 км\ч и затем, отпустив тормоз, зрелищно разогнаться. Автомобиль не поедет. А вы в этом время резко отпустите газ.

Автомат таких действий не понимает и обязательно встанет в стопор. Срабатывает DSC. Придется вызывать эвакуатор. Поэтому отключайте DSC. Если же вы желаете убить АКПП, то можете попробовать еще раз так сделать во время дрифта.

Полный привод

Внимание! Не пытайтесь дрифтовать на внедорожнике. Эти автомобили легко переворачиваются. Опасно для вашей жизни и жизни пассажиров.

На полноприводных машинах вы не сможете добиться толкового дрифтинга вообще. Так как этот привод имеет нейтральную поворачиваемость. Однако, если вы отключите передний привод и будете дрифтовать на заднем полноприводной машине, то автомобиль может повести себя неоднозначно.

Не факт, что вы сможете справиться с управлением во время дрифта. Поэтому дрифтовать на автомате полноприводной машины я бы не решился. Уж лучше купить механику.

Как делать дрифт автомобиля на автомате

А теперь я расскажу вам, как делать дрифт на автомате. Но прежде, оповещу об опасностях, которые могут ожидать.

  1. Сильный и неравномерный износ покрышек из-за дрифта. Я рекомендую, если вы заядлый дрифтер, каждые полгода приезжать на осмотр опытных механиков. Они посмотрят в каком состоянии протекторы покрышек и, если необходимо, то заменят.
  2. Если вы часто пытаетесь дрифтовать при включенной системе стабилизации, то знайте, что на механические детали АКПП идут повышенные ударные нагрузки, хоть вы и не выжимаете газ в пол полностью. В момент дрифта машина не встанет в стопор, как пишут многие, но где-нибудь в заснеженном селе, зимой и ночью, когда вы будете возвращаться домой, АКПП может дать сбой.
  3. Дрифтуйте только на малой скорости, до 60 километров в час, если вы неопытный дрифтер.

А теперь давайте рассмотрим как нужно правильно делать резкие заносы.

Режим на автоматической трансмиссии

Вначале разберем режимы автоматической коробки. АКПП имеет пять основных режимов. Это:

  • «P» – парковка;
  • «R» – задний ход;
  • «N» – нейтралка;
  • «D» – движение вперед.
  • «L» – понижающая передача. У различных моделей называется по-разному.

У каждой автоматической коробки есть дополнительные режимы: «Спорт», «Снег», «Овердрайв». Овердрайв используется для равномерного движения по автомагистрали, «Спорт» увеличивает динамику автомобиля, «Снег» удобен для движения скользких дорогах и по заснеженным трассам.

Режим D3 или O\D off – движение только на 1, 2 и третьей передаче походит для перемещения на авто по городу.

Для чего я вам напомнил о режимах селектора автомата, вы узнаете из следующего блока.

Контрсмещение

Рассмотрим, как делается контрсмещение на автомате. Само слово подразумевает, что автомобиль должен из одной стороны дороги сместиться в другую сторону.

  1. Вы двигаетесь на машине прямо по центру, а впереди маячит поворот налево.
  2. Двигаетесь на транспортном средстве к правой обочине.
  3. Резко выруливаете в левую сторону и стараетесь проехать не по верхнему участку поворота, а прямо в точке среза.
  4. Это позволит вам раскачать автомобиль, а задним колесам проскользить до внешней стороны бордюра поворачиваемого участка дороги.
  5. Теперь вам пригодится один из режимов на селекторе автомата. А именно – понижающий режим или «L», на некоторых моделях обозначается сразу цифрой «1».

Понижающий режим во время дрифта на автомате в контрсмещении используйте только на заднеприводных и полноприводных авто. На переднеприводных транспортных средствах полностью отпускайте педаль газа, иначе вы воткнетесь в обочину левой стороны дороги.

Контрзанос

Этот способ дрифта на автомате еще называют «динамическим хлыстом». «Динамический хлыст» увеличивает вращение машины по окончании дрифта. Принцип таков:

  1. Перед тем, как повернуть набираете разгон.
  2. Когда входите в поворот, тяните на себя ручник, а машину стараетесь слегка увести в противоположную сторону от поворота.
  3. Отжимаете газ автомата с опозданием, и руль переводите в обычное положение – прямо.
  4. Машина начинает вихлять задней частью.

Таким образом автовладелец может совершить поворот на 90 градусов или полный разворот на 180. А каждый цикл заноса предполагает увеличение угла заноса от минимального до максимального.

Наконец, вы понимаете, что означает контрсмещение и контрзанос. А теперь давайте поговорим о том, как использовать ручной тормоз при дрифте.

С использованием ручного тормоза

Рассмотрим, как дрифтить на автомате работая только ручным тормозом.

  1. Включите зажигание и нажмите на педаль тормоза.
  2. Нажмите на кнопку отключения DSC и задержите палец на 4 секунды. Когда загорится желтый треугольник на мониторе – отпустите ее.
  3. Кулису селектора переведите в положение D. Затем переводите ее до упора назад, пока на мониторе не загорится «М». Это означает, что АКПП находится в полуручном режиме. Вы спросите почему «полуручной»? Потому что компьютер все равно фиксирует все ваши действия, и вы не сможете творить на автомате то, что можно было бы делать с механикой.
  4. Включите вторую передачу.
  5. Разгоните автомобиль до нужной скорости. Для новичков не больше 50 км\ч, как я уже писал. Не забываем.
  6. Подъезжаете к повороту и поворачиваете руль в противоположную сторону от поворота. Затем регулируете занос с помощью поворота руля в обратную сторону.
  7. Тяните на себя ручной тормоз. И через 1 секунду отпускаете.
  8. Нажимаете на акселератор автомата.
  9. На выходе из поворота продолжаете удерживать педаль газа нажатой.
  10. Выровняйте транспортное средство и отпускайте газ.
  11. Если что-то пойдет не так, переведите кулису в нейтральное положение.

Теперь вы знаете, как дрифтовать на автомате. Но не увлекайтесь слишком, иначе убьете АКПП.

Напишите в комментариях, часто ли вы дрифтуете на автомате и применяли один из этих способов на практике?

Система стабилизации DSC

DSC работает в АКПП ради синхронизации скорости вращения колес и скорости движения. При нажатии на акселератор, хоть до упора его вдавите, скорость движения все-равно будет увеличиваться плавно.

Поэтому при дрифте на автомате ее нужно отключать и переводить коробку в ручной режим. Если этого не сделать, то получите неисправный автомат. А контрактные АКПП стоят дорого.

Как не убить АКПП при дрифте

Помните, что частый дрифт на автомате все-таки влияет на срок службы коробки и это основная проблема, по которой я не советую вообще дрифтовать. Если сильно хочется, то не забывайте появляться на станции технического обслуживания раз в полгода, менять трансмиссионную жидкость в автомате и комплектующие.

Дрейф в машинном обучении. Почему тяжело и что с этим делать? | Петр (Питер) Мардзил

Почему это сложно и что с этим делать

В соавторстве с Shayak Sen

Фото Грега Болла, Михала Вихжинского на Unsplash дрейф данных в машинном обучении. Дрейф — ключевая проблема, потому что машинное обучение часто опирается на ключевое предположение: прошлое == будущее. В реальном мире такое случается очень редко. В результате очень важно понимать, как изменения в данных повлияют на поведение модели как до развертывания модели, так и на постоянной основе во время развертывания. Во время COVID-19пандемии, например, модели во многих отраслях работали на неизведанной территории из-за резкого изменения данных и среды.

Изображение автора

Во время пандемии специалисты по обработке и анализу данных наблюдали закономерности, подобные той, что показана на рисунке выше: выходные данные модели значительно изменились в определенном направлении. И пытаюсь ответить на ряд вопросов:

  • Что именно в данных вызывает этот сдвиг?
  • Как это повлияет на качество моей модели?
  • Нужно ли как-то менять модель?

Эта проблема усугубляется в ситуациях, когда наземные данные не доступны мгновенно, что затрудняет измерение точности модели, пока не стало слишком поздно. Это особенно верно в таких случаях, как мошенничество, кредитный риск, маркетинг, когда результаты прогноза могут быть измерены только с определенной задержкой.

Несмотря на то, что переподготовка считается панацеей, на практике переподготовка без достаточного понимания основных причин и последствий может привести к снижению производительности. В этой статье мы рассмотрим оценки влияния дрейфа и нюансы переподготовки, чтобы подготовить специалистов по обработке и анализу данных для борьбы с дрейфом в сложных условиях. Мы начнем с обзора стандартных терминов и методов дрейфа, а также трудностей обнаружения дрейфа и его последствий. Затем мы обсудим, как понимание природы и основных причин дрейфа может привести к эффективному смягчению последствий на практике.

Фото Пола Мелки на Unsplash

Почему происходит дрифт?

Мир и контекст, в котором применяется модель, потенциально продолжают меняться. Некоторые примеры того, как данные, к которым применяется модель и на которых она обучалась, могут существенно различаться:

  • Внешний мир изменился: это могут быть внешние события, такие как пандемия и изменение процентных ставок, или могут быть более внутренние события, такие как сбой в конвейерах моделей, приводящий к проблемам с качеством данных
  • Модель применяется к новому контексту: например, языковая модель, обученная на данных Википедии, затем применяется к новостным статьям.
  • Во-первых, данные для обучения были взяты из другого набора: это может быть связано с предвзятостью выборки. Иногда эти предубеждения неизбежны. Например, для заявок на получение кредита наземная правда доступна только для лиц, которым были предоставлены кредиты.

Какие существуют виды дрифта?

Когда речь идет о дрейфе, может возникнуть ряд различных тесно связанных терминов: сдвиг ковариации, дрейф концепции, дрейф данных, дрейф модели, распад модели, сдвиг набора данных, сдвиг распределения. Эти термины относятся к различным предположениям о том, что меняется.

  • Сдвиг ковариации : изменения распределения входных признаков.
  • Дрейф концепции : изменяется отношение между целевой переменной и входными признаками.
  • Распад модели : снижение производительности модели из-за дрейфа.
  • Дрейф данных : любое изменение распределения. Иногда это используется для обозначения сдвига ковариации в частности.
  • Прочие термины ( распределение смены , сдвиг набора данных ) обычно может относиться к любой из вышеперечисленных концепций или их комбинации.
Фото Стива Смита на Unsplash

Стандартный подход к выявлению дрейфа заключается в измерении производительности модели (точности или иных) или в изучении или измерении различий в распределении обучения и развертывания:

  • отдельных входных объектов или
  • совместных входных объектов.
  • Все эти подходы дают достоверные сигналы о дрейфе, и их следует использовать, когда это возможно. Однако на практике они сталкиваются с серьезными проблемами, которые затрудняют измерение дрейфа.

    Проклятие размерности — По мере увеличения количества признаков измерений в данных становится все труднее отличить выборки, взятые из двух распределений. Это делает измерение совместного дрейфа между несколькими функциями особенно сложным и может повлиять на измерение дрейфа в мультиклассовых прогнозах или моделях с несколькими выходными данными. Проклятие также является причиной того, что прямая проверка дрейфа концепции (свойство совместного распределения всех входных и выходных признаков) может оказаться непрактичной. Это, однако, может быть спорным из-за следующего вызова.

    Отсутствие достоверных данных — Проверка производительности модели при развертывании может быть достаточной, чтобы установить, был ли дрейф достаточно значительным, чтобы оправдать вмешательство. К сожалению, основная правда о развертывании может быть недоступна сразу. Например, при принятии кредитного решения вопрос о том, приведет ли кредит к дефолту, может быть недоступен до тех пор, пока срок кредита не пройдет через несколько месяцев или лет. В этих условиях дрейф концепции не может быть определен независимо от других форм дрейфа данных.

    Несущественный дрейф — Часто трудно определить влияние дрейфа в модели. Часто большое изменение функции может быть несущественным, поскольку оно изменяется таким образом, что не влияет на поведение модели. В сочетании с тем фактом, что всегда ожидается некоторая степень дрейфа, может быть очень сложно определить, стоит ли решать проблему дрейфа.

    Эти проблемы означают, что какие бы средства обнаружения дрейфа не применялись на практике, они могут быть неточными индикаторами фактического дрейфа и фактических последствий. Поэтому важно помнить о стоимости подходов к решению проблемы дрейфа.

    Photo by Zdeněk Macháček on Unsplash

    Измерив различные формы дрейфа характеристик, прогнозов и/или истинных фактов, мы можем решить, что с этим делать. Первый вопрос, который необходимо задать, заключается в том, каковы последствия или первопричины дрейфа. То есть являются ли последствия обнаруженного дрейфа достаточно разрушительными, чтобы оправдать потенциально дорогостоящие действия? И если да, то каковы ключевые факторы, влияющие на дрейф. Это, конечно, проще, когда деградация может быть измерена напрямую, но, как мы уже отмечали, в сложных случаях влияние дрейфа на производительность не может быть определено или может быть только оценено.

    Прогнозируемый дрейф — Нахождение совместно важных признаков также является проблемой размерного проклятия, как и измерение дрейфа совместно нескольких важных признаков. Однако разумно сосредоточиться на дрейфе в прогнозируемом распределении выходных данных, предполагая, что это значительно менее размерная концепция. Дрейф между важными входными данными, будь то вместе или независимо, должен отражаться в дрейфе выходных данных.

    Анализ первопричин — После обнаружения дрейфа оценки модели смещаются или точность падает. Важно понять, каковы первопричины: какая функция объясняет дрейф. Методы измерения важности признаков бесценны для определения первопричин; дрейф важных функций с большей вероятностью приведет к снижению производительности, чем дрейф менее важных функций. Однако стандартные метрики важности функций необходимо скорректировать с учетом дрейфа, а не только важности прогноза. Элементы, вызывающие дрейф, могут отличаться от наиболее важных элементов модели.

    Оценка точности — Святым Граалем для измерения дрейфа является способность связывать сдвиги в данных с производительностью модели. Это возможность, которую предоставляет платформа TruEra, основанная на уникальных исследованиях нашей команды машинного обучения. Основная идея состоит в том, чтобы агрегировать сдвиги в сопутствующих функциях, чтобы понять, как это может повлиять на производительность модели.

    Смягчение последствий

    Photo by Mitchell Orr on Unsplash

    Переобучение с дополнительными данными меток часто рекламируется как канонический ответ на дрейф данных, но в зависимости от затрат или нашей уверенности в негативных последствиях дрейфа может быть неуместным. Подход к пониманию дрейфа, основанный на первопричине, может привести к значительно более точным стратегиям смягчения последствий. Устранение проблем с качеством данных

    Очень часто основной причиной дрейфа является неисправность части конвейера данных. Возможность проводить анализ первопричин может быстро выявить проблемные функции. Они могут варьироваться от неожиданных отсутствующих значений до несоответствий типов данных, которые трудно найти в больших стогах сена.

    Удалить признак(ы), сохранить модель — Один из вариантов работы с признаками, которые являются первопричиной дрейфа, состоит в том, чтобы просто удалить их из рассмотрения моделью, т. е. заменить их средним значением или режимом обучения. Это не требует сбора дополнительных размеченных данных или переобучения, но может привести к некоторой потере производительности. Однако, если эти потери ниже, чем ожидаемая деградация из-за дрейфа, удаление может быть наиболее рентабельным вариантом.

    Удалить функцию (функции), переобучить — В некоторых случаях можно удалить дрейфующую функцию и надеяться, что переобучение использует альтернативные функции для достижения аналогичной прогностической способности. Обратите внимание, однако, что это не поможет, если альтернативные функции связаны причинно-следственными связями, альтернативы, вероятно, также будут дрейфовать.

    Добавление общих признаков к новым данным, повторное обучение —

    Периодические и уникальные тенденции в розничных расходах США в двух категориях с течением времени. (Млн долларов США; красный на левой оси, синий на правой оси). Источник данных: census.gov. Изображение автора.

    Дрейф может быть предсказуемым и периодическим (например, розничные расходы, подобные расходам на спиртные напитки на рисунке выше). Распределение периода сбора тренировочных данных на более длительные периоды и периоды, в которых происходят периодические циклы, и включение функций, указывающих время или период (например, сезон, день недели и т. д.), может привести к модели, которая может реагировать на изменения во времени. сам. Это, однако, имеет свои издержки из-за чрезмерного проклятия размерности: если предположить, что дополнительный признак периода является последовательным, объем данных, необходимых для вашей модели, чтобы изучить связь ее целевой концепции с исходными признаками, и теперь дополнительный признак периода увеличивается. . Кроме того, необходимо уделять больше внимания тому, чтобы данные были репрезентативными для соответствующих периодов времени.

    Добавить средства смягчения последствий редких событий, переобучить —

    Скрытый контекст: пандемия и неожиданные события влияют на целевое невыполнение кредита через уровень безработицы. Хотя нецелесообразно перечислять все редкие и важные события в обучающих данных, их влияние можно смягчить с помощью более широко доступных переменных. Изображение автора

    В то время как некоторые индикаторы дрейфа могут быть четкими и их несложно включить в конвейер обучения, «неизвестные неизвестные» неизбежно появляются время от времени. Индикатор глобальной пандемии, например, может показаться подходящей функцией для многих задач моделирования, включение такого индикатора, вероятно, является безнадежным делом. События с большими последствиями уникальны и непредсказуемы. Здесь разработка признаков может выиграть от причинно-следственного анализа основной задачи, поскольку могут быть доступны более широко доступные индикаторы дрейфа. Например, в то время как наличие глобальной пандемии может быть основной причиной сокращения выплат по определенным видам кредитов, промежуточная причина, такая как (без)занятость, может служить таким же успехом и может охватывать, в качестве посредника, другие неожиданные события, которые трудно планировать. Таким образом, включение локального или глобального экономического индикатора во время обучающей выборки может помочь модели принятия кредитных решений реагировать на дрейф в принятой ею концепции.

    Уровень безработицы как смягчающий фактор между пандемией и кредитными решениями. Изображение Бюро статистики труда США.

    Добавление функций к существующим данным, повторное обучение — Еще один менее затратный вариант — включение дополнительных функций в обучающий набор данных. Если это можно сделать для существующего набора обучающих данных, стоимость метки не потребуется оплачивать. Добавление признаков, указывающих на дрейф, как указано выше, потребует, чтобы существующие данные охватывали достаточные периоды времени.

    Независимо от того, требуются ли новые размеченные данные, использование признаков, указывающих на дрейф, эффективно преобразует проблему дрейфа понятий в проблему ковариантного сдвига.

    Повторное взвешивание данных, повторное обучение — Теоретически распределение между входными данными и метками может представлять концепцию, которая не меняется от времени обучения до времени развертывания. На практике это не означает, что конкретный обучающий алгоритм при определенных обстоятельствах или фазе луны будет обучаться этому на выборке имеющихся у него данных. Одна из причин несоответствия заключается в том, что данные обучения недостаточно репрезентативны в определенных регионах, чтобы обучение могло выделить достаточную мощность модели. Если данные развертывания становятся плотными в этом регионе (т. е. дрейфуют), производительность может снизиться. Предполагая, что в регионе есть хотя бы несколько обучающих выборок, можно использовать их взвешивание, чтобы помочь последующему переобучению выделить больше возможностей модели в важных регионах.

    Photo by Misty Ladd on Unsplash

    Дрейф — сложная проблема, с которой сталкиваются специалисты по данным при развертывании моделей. В этом блоге мы изложили основные причины, которые затрудняют понимание и отладку дрейфа, а также подходы к руководству по уменьшению дрейфа.

    • Отсутствие достоверной информации о земле усложняет проблему выявления сильного дрейфа.
    • Различные методы определения дрейфа не дают полной уверенности в дрейфе и его последствиях для работы модели в разной степени.
    • Инструменты для анализа первопричин дрейфа могут направить специалистов по данным к правильным решениям для устранения дрейфа. Решения могут включать или не включать маркировку дополнительных данных или переобучение, а также могут включать в себя исправление конвейеров данных или настройку функций, используемых в моделях.

    Что такое концептуальный дрифт? Model Drift in Machine Learning

    «Изменения — единственная константа в жизни».

    Эта цитата была написана греческим философом по имени Гераклит, и это такая интересная цитата, потому что она абсолютно верна. Термин «константа» определяется как  происходит постоянно в течение определенного периода времени, и так далее, можно сказать, что изменение постоянное . Это создает проблему для моделей машинного обучения, поскольку модель оптимизируется на основе переменных и параметров во время ее создания. Распространенным и иногда неверным предположением, сделанным при разработке модели машинного обучения, является то, что каждая точка данных является независимой и одинаково распределенной (i.i.d) случайной величиной.

    Представьте модель классификации, созданную для обнаружения фишинговых писем (спама), созданных несколько лет назад. В то время спам-письма выглядели примерно так:

    Вы могли бы сказать, что это электронное письмо со спамом, потому что оно включает в себя нереальную единовременно предлагаемую сумму денег (4,8 миллиона долларов США), оно включает в себя контакт в электронном письме и просит вас следовать инструкциям в срочном порядке или «как можно скорее». пока вы читаете это письмо».

    С тех пор времена изменились, и мошенники создают более сложные и реалистичные электронные письма, которые усложняют дифференциацию. Вот пример более свежего фишингового письма:

    Обратите внимание, насколько отличается это спам-письмо от того, что было несколько лет назад. Как вы думаете, сможет ли модель обнаружения мошенничества, созданная несколько лет назад, правильно классифицировать это электронное письмо? Вероятно, не потому, что представление фишинговых писем имеет заменили  и модели не любят менять . Одно из основных допущений при создании модели заключается в том, что будущие данные будут аналогичны прошлым данным, использованным для построения модели.

    Это пример дрейфа модели. В этой статье вы узнаете, что такое дрейф модели, типы дрейфа модели, как обнаружить дрейф модели и как с ним бороться.

    Что такое дрейф модели?

    Дрейф модели (также известный как распад модели) относится к ухудшению прогностической способности модели из-за изменений в окружающей среде и, следовательно, взаимосвязей между переменными. Ссылаясь на приведенный выше пример, изменения в представлении писем со спамом могут привести к ухудшению моделей обнаружения мошенничества, созданных несколько лет назад.

    Типы смещения модели

    Существует три основных типа смещения модели:

    1. Смещение концепции
    2. Дрейф данных
    3. Изменения восходящих данных

    Дрейф концепции — это тип дрейфа модели, при котором изменяются свойства зависимой переменной. Приведенная выше мошенническая модель является примером дрейфа концепций, когда меняется классификация того, что является «мошенническим».

    Дрейф данных — это тип дрейфа модели, при котором изменяются свойства независимых переменных. Примеры дрейфа данных включают изменения данных из-за сезонности, изменения потребительских предпочтений, добавление новых продуктов и т. д.

    Изменения исходных данных относятся к изменениям рабочих данных в конвейере данных. Примером этого является то, что функция больше не создается, что приводит к отсутствующим значениям. Другим примером является изменение измерения (например, мили в километры).

    Как определить дрейф модели

    Измерение точности модели

    Самый точный способ обнаружить дрейф модели — это сравнить прогнозируемые значения данной модели машинного обучения с фактическими значениями. Точность модели ухудшается по мере того, как прогнозируемые значения все дальше и дальше отклоняются от фактических значений.

    Распространенной метрикой, используемой исследователями данных для оценки точности модели, является показатель F1, главным образом потому, что он охватывает как точность, так и полноту модели (  См. ниже визуальное представление точности и полноты). При этом есть ряд показателей, которые более важны, чем другие, в зависимости от ситуации. Например, ошибки 2-го типа были бы чрезвычайно важны для модели распознавания изображений рак-опухоль. Таким образом, когда указанная метрика падает ниже заданного порога, вы будете знать, что ваша модель дрейфует!

    Другие методы обнаружения дрейфа модели

    Иногда контроль точности модели не всегда возможен. В некоторых случаях становится намного сложнее получить прогнозируемые и фактические парные данные. Например, представьте себе модель, предсказывающую чистую прибыль публичной фирмы. Это означает, что вы сможете измерить точность прогнозов чистой прибыли модели только 4 раза в год на основе ежеквартальных отчетов о прибылях и убытках фирмы. В случае, если вы не можете сравнить прогнозируемые значения с фактическими значениями, есть другие альтернативы, на которые вы можете положиться:

    • Критерий Колмогорова-Смирнова (К-С) : Критерий К-С — это непараметрический тест, который сравнивает кумулятивные распределения двух наборов данных, в данном случае обучающих данных и данных после обучения. Нулевая гипотеза для этого теста утверждает, что распределения из обоих наборов данных идентичны. Если нуль отклонен, вы можете сделать вывод, что ваша модель дрейфовала.
    • Индекс стабильности населения (PSI) : PSI — это метрика, используемая для измерения того, как распределение переменной изменилось с течением времени. Это популярная метрика, используемая для отслеживания изменений в характеристиках совокупности и, таким образом, для обнаружения распада модели.
    • Z-оценка : Наконец, вы можете сравнить распределение признаков между тренировочными и реальными данными, используя z-оценку. Например, если несколько точек данных в реальном времени для данной переменной имеют z-оценку +/- 3, возможно, произошло смещение распределения переменной.

    Как устранить дрейф модели

    Обнаружение дрейфа модели — это только первый шаг. Следующим шагом является устранение дрейфа модели. При этом есть два основных метода.

    Первый — просто переобучить модель по расписанию. Если вы знаете, что модель ухудшается каждые шесть месяцев, вы можете решить переобучать свою модель каждые пять месяцев, чтобы гарантировать, что точность модели никогда не упадет ниже определенного порога

    Еще один способ решить проблему сдвига моделей — онлайн-обучение. Онлайн-обучение просто означает, что модель машинного обучения обучается в режиме реального времени.


    Learn more

    
    Оцените статьюПлохая статьяСредненькая статьяНормальная статьяНеплохая статьяОтличная статья (проголосовало 13 средний балл: 5,00 из 5)