8、机器学习模型构建与训练的挑战及应对策略

机器学习模型构建与训练的挑战及应对策略

在机器学习领域，模型的构建和训练过程中会面临诸多挑战。从现实世界事件引发的交互反馈，到标签问题、训练方法的弊端，再到基础设施和特征生成的难题，每一个环节都可能影响模型的性能和稳定性。

现实世界事件引发的交互反馈

现实世界中的事件会引发各种交互和反馈循环，这些并不局限于重大世界灾难。以下是一些不同场景下可能出现的情况：
- 选举影响视频观看行为 ：某个国家的选举之夜可能会突然改变人们对视频的观看行为。
- 新产品引发用户兴趣 ：新产品的推出可能会迅速引发用户对某种羊毛的兴趣激增，但模型可能没有相关的历史信息。
- 股票预测错误引发连锁反应 ：股票价格预测模型的错误可能导致自动对冲基金误购股票，进而推高市场价格，引发其他基金跟风。

标签的重要性及问题

在监督式机器学习中，训练标签为模型提供了“正确答案”，指导模型明确预测目标，通常以数值分数的形式呈现。以下是一些标签示例：
| 应用场景 | 标签设置 |
| ---- | ---- |
| 邮件垃圾过滤模型 | “垃圾邮件”标记为 1，“非垃圾邮件”标记为 0 |
| 西雅图每日降雨量预测 | 以毫米为单位的每日降雨量数值 |
| 句子补全模型 | 正确完成句子的单词标记为 1，其他单词标记为 0 |
| 图像物体分类模型 | 图像中显著出现的物体类别标记为 1，未出现的标记为 0 |
| 抗体与病毒结合实验 | 显示抗体蛋白与病毒结合强度的数值分数 |