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: 17 Средняя: 4.3]

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.

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 , происходящее непрерывно в течение определенного периода времени, , и, таким образом, можно сказать, что изменение постоянное . Это создает проблему для моделей машинного обучения, поскольку модель оптимизируется на основе переменных и параметров во время ее создания. Распространенное и иногда неверное предположение, сделанное при разработке модели машинного обучения, состоит в том, что каждая точка данных представляет собой независимая и одинаково распределенная  (i.i.d) случайная величина.

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

Вы могли сказать, что это спам-письмо, потому что в нем предлагалась нереальная единовременная сумма денег (4,8 миллиона долларов США), в нем был указан контакт и запрашивались вам срочно следовать инструкциям или «как только вы прочитаете это электронное письмо».

С тех пор времена изменились, и мошенники создают более изощренные и реалистичные электронные письма, которые сложнее отличить. 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 в представлении фишинговых писем изменились , а модели не любят изменений . 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, отношений 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 дрейфа модели

Существует три основных типа дрейфа модели:

1. Дрейф 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 специалистами по данным для оценки точности модели, является показатель F1, главным образом потому, что он включает 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 не всегда возможно контролировать точность модели. 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 показатель, используемый 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 данными обучения 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. Следующий шаг — 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. Это достигается за счет приема данных, как только они становятся доступными, в последовательном порядке, а не за счет обучения модели пакетными данными.

В целом, обнаружить дрейф модели сложно

Правда состоит в том, что обнаружить дрейф модели сложно, и не существует универсальной схемы для обнаружения и устранения дрейфа модели.

Теперь представьте, что вам нужно обнаружить дрейф модели, но для сотни или даже тысячи моделей машинного обучения. Это звучит почти невозможно. Если это описывает проблему, с которой вы столкнулись, есть несколько замечательных решений, таких как Datatron.

Здесь, в Datatron, мы предлагаем платформу для управления всеми вашими моделями машинного обучения, искусственного интеллекта и обработки данных в производстве. Кроме того, мы помогаем вам автоматизировать, оптимизировать и ускорить ваши модели машинного обучения, чтобы обеспечить их бесперебойную и эффективную работу в производственной среде — Чтобы узнать больше о наших услугах, обязательно закажите демоверсию.

Следите за новостями Datatron в Twitter и LinkedIn!

Спасибо за внимание!

Нежное введение в концептуальный дрейф в машинном обучении

Джейсон Браунли on 15 декабря 2017 г. в Алгоритмы машинного обучения

Последнее обновление: 10 декабря 2020 г.

Данные могут изменяться со временем. Это может привести к ухудшению и снижению эффективности прогнозирования в моделях прогнозирования, которые предполагают статическую взаимосвязь между входными и выходными переменными.

Эта проблема изменения базовых отношений в данных называется дрейфом концепций в области машинного обучения.

В этом посте вы узнаете о проблеме дрейфа концепций и о том, как вы сможете решить ее в своих собственных задачах прогнозного моделирования.

После прохождения этого поста вы будете знать:

• Проблема изменения данных во времени.
• Что такое дрейф понятий и как он определяется.
• Как справиться с дрейфом концепции в ваших собственных задачах прогнозного моделирования.

Начните свой проект с моей новой книги Master Machine Learning Algorithms, включающей пошаговых руководств и файлы электронных таблиц Excel для всех примеров.

Начнем.

Нежное введение в концептуальный дрейф в машинном обучении
Фотография Джо Клира, некоторые права защищены.

Обзор

Этот пост разделен на 3 части; они:

1. Изменения данных с течением времени
2. Что такое концептуальный дрейф?
3. Как справиться с концептуальным дрейфом

Изменения данных с течением времени

Прогнозное моделирование — это проблема изучения модели на основе исторических данных и использования модели для прогнозирования новых данных, когда мы не знаем ответа.

Технически прогнозное моделирование представляет собой задачу аппроксимации функции отображения (f) по заданным входным данным (X) для прогнозирования выходного значения (y).

у = f(X)

Часто предполагается, что это отображение является статическим, что означает, что отображение, извлеченное из исторических данных, точно так же применимо в будущем к новым данным и что отношения между входными и выходными данными не меняются.

Это справедливо для многих проблем, но не для всех.

В некоторых случаях взаимосвязь между входными и выходными данными может меняться со временем, что означает, что, в свою очередь, происходят изменения в неизвестной базовой функции отображения.

Изменения могут быть косвенными, например, прогнозы, сделанные моделью, обученной на более старых исторических данных, больше не являются правильными или настолько точными, насколько они могли бы быть, если бы модель обучалась на более свежих исторических данных.

Эти изменения, в свою очередь, могут быть обнаружены, и, если они будут обнаружены, можно будет обновить изученную модель, чтобы отразить эти изменения.

… многие методы интеллектуального анализа данных предполагают, что обнаруженные шаблоны являются статическими. Однако на практике шаблоны в базе данных со временем изменяются. Это ставит две важные задачи. Первая задача состоит в том, чтобы обнаружить, когда происходит дрейф концепций. Вторая задача состоит в том, чтобы поддерживать шаблоны в актуальном состоянии, не создавая шаблоны с нуля.

— стр. 10, Справочник по интеллектуальному анализу данных и обнаружению знаний, 2010 г.

Что такое концептуальный дрейф?

Дрейф концепции в машинном обучении и интеллектуальном анализе данных относится к изменению отношений между входными и выходными данными в основной проблеме с течением времени.

В других областях это изменение может называться « ковариатным сдвигом », « сдвигом набора данных » или « нестационарностью ».

В большинстве сложных приложений для анализа данных данные изменяются со временем и должны анализироваться почти в реальном времени. Шаблоны и отношения в таких данных часто со временем изменяются, поэтому модели, созданные для анализа таких данных, со временем быстро устаревают. В машинном обучении и интеллектуальном анализе данных это явление называется дрейфом понятий.

— Обзор концептуальных приложений для дрейфа, 2016 г.

Понятие в « дрейф концепции » относится к неизвестной и скрытой взаимосвязи между входными и выходными переменными.

Например, одним из понятий в данных о погоде может быть сезон, который явно не указан в данных о температуре, но может влиять на данные о температуре. Другим примером может быть покупательское поведение клиентов с течением времени, на которое может влиять сила экономики, когда сила экономики явно не указана в данных. Эти элементы также называют «скрытым контекстом».

Трудная проблема с обучением во многих областях реального мира заключается в том, что понятие интереса может зависеть от некоторого скрытого контекста, не заданного явно в форме прогностических признаков. Типичным примером являются правила прогнозирования погоды, которые могут радикально меняться в зависимости от времени года. […] Часто причина изменений скрыта, неизвестна априори, что усложняет задачу обучения.

— Проблема дрейфа понятий: определения и связанная с ними работа, 2004.

Изменение данных может принимать любую форму. Концептуально проще рассмотреть случай, когда изменение имеет некоторую временную согласованность, так что данные, собранные в течение определенного периода времени, показывают одну и ту же взаимосвязь, и эта взаимосвязь плавно меняется с течением времени.

Обратите внимание, что это не всегда так, и это предположение следует оспорить. Некоторые другие типы изменений могут включать:

• Постепенное изменение с течением времени.
• Повторяющееся или циклическое изменение.
• Внезапное или резкое изменение.

Для каждой ситуации могут потребоваться различные схемы обнаружения дрейфа и обработки. Часто повторяющиеся изменения и долгосрочные тенденции считаются систематическими и могут быть четко идентифицированы и обработаны.

В задачах обучения с учителем может присутствовать дрейф концепции, когда делаются прогнозы и данные собираются с течением времени. Их традиционно называют задачами онлайн-обучения, учитывая ожидаемые изменения данных с течением времени.

Существуют области, в которых прогнозы упорядочены по времени, такие как прогнозирование временных рядов и прогнозы для потоковых данных, где проблема дрейфа концепций более вероятна и должна быть явно проверена и решена.

Общая проблема при анализе потоков данных заключается в том, что потоки данных не всегда строго стационарны, т. е. концепция данных (лежащая в основе распределения входящих данных) непредсказуемо дрейфует во времени. Это обусловливает необходимость своевременного обнаружения этих дрейфов концепций в потоках данных 9.0003

— Концепция обнаружения дрейфа для потоковых данных, 2015 г.

Индре Злиобайте в статье 2010 года под названием «Обучение в условиях дрейфа понятий: обзор» обеспечивает основу для размышлений о дрейфе концепций и решениях, требуемых практикующим специалистом по машинному обучению, следующим образом:

• Предположение о будущем : разработчику необходимо сделать предположение о будущем источнике данных.
• Тип изменения : разработчику необходимо определить возможные шаблоны изменений.
• Адаптивность учащегося : на основе типа изменения и предположения о будущем разработчик выбирает механизмы, которые делают учащегося адаптивным.
• Выбор модели : разработчику нужен критерий для выбора конкретной параметризации выбранного учащегося на каждом временном шаге (например, веса для членов ансамбля, размер окна для метода переменного окна).

Эта структура может помочь в размышлении о точках принятия решений, доступных вам при рассмотрении смещения концепции в ваших собственных задачах прогнозного моделирования.

Как решить проблему дрейфа концепций?

Есть много способов справиться с расхождением понятий; давайте посмотрим на некоторые из них.

1. Ничего не делать (статическая модель)

Самый распространенный способ — вообще не обрабатывать его и считать, что данные не меняются.

Это позволяет вам разработать единственную «лучшую» модель один раз и использовать ее для всех будущих данных.

Это должно быть вашей отправной точкой и базой для сравнения с другими методами. Если вы считаете, что ваш набор данных может страдать от смещения концепций, вы можете использовать статическую модель двумя способами:

1. Обнаружение дрейфа концепции . Отслеживайте навыки статической модели с течением времени, и если навыки падают, возможно, происходит дрейф концепции, и требуется некоторое вмешательство.
2. Базовая производительность . Используйте навыки статической модели в качестве основы для сравнения с любым вашим вмешательством.

2. Периодически переустанавливайте

Хорошим вмешательством первого уровня является периодическое обновление статической модели более свежими историческими данными.

Например, вы можете обновлять модель каждый месяц или каждый год, используя данные, собранные за предыдущий период.

Это также может включать в себя тестирование модели на истории, чтобы выбрать подходящий объем исторических данных для включения при повторной подгонке статической модели.

В некоторых случаях может быть уместно включить только небольшую часть самых последних исторических данных, чтобы наилучшим образом отразить новые взаимосвязи между входными и выходными данными (например, использование скользящего окна).

3. Периодически обновлять

Некоторые модели машинного обучения можно обновить.

Это эффективность по сравнению с предыдущим подходом (периодическая переподгонка), когда вместо полного отказа от статической модели существующее состояние используется в качестве отправной точки для процесса подгонки, который обновляет подгонку модели с использованием выборки самых последних исторических данных. данные.

Например, этот подход подходит для большинства алгоритмов машинного обучения, использующих веса или коэффициенты, таких как алгоритмы регрессии и нейронные сети.

4. Данные о весе

Некоторые алгоритмы позволяют оценить важность входных данных.

В этом случае можно использовать взвешивание, обратно пропорциональное возрасту данных, чтобы больше внимания уделялось самым последним данным (более высокий вес) и меньшее внимание уделялось самым последним данным (меньший вес).

5. Узнайте об изменениях

Можно использовать ансамблевый подход, когда статическая модель остается нетронутой, но новая модель учится корректировать прогнозы статической модели на основе взаимосвязей в более поздних данных.

Это можно рассматривать как ансамбль повышающего типа (только в духе), когда последующие модели корректируют прогнозы предыдущих моделей. Ключевое отличие здесь заключается в том, что последующие модели подходят для разных и более свежих данных, в отличие от взвешенной формы того же набора данных, как в случае AdaBoost и повышения градиента.

6. Найдите и выберите модель

Для некоторых проблемных областей можно разработать системы для обнаружения изменений и выбрать конкретную и другую модель для прогнозирования.

Это может подходить для доменов, в которых ожидаются внезапные изменения, которые могли произойти в прошлом и могут быть проверены в будущем. Он также предполагает, что можно разработать умелые модели для обработки каждого из обнаруживаемых изменений данных.

Например, резкое изменение может быть конкретным наблюдением или наблюдениями в диапазоне или изменением распределения одной или нескольких входных переменных.

7. Подготовка данных

В некоторых областях, таких как проблемы с временными рядами, можно ожидать, что данные со временем изменятся.

В задачах такого типа данные обычно готовятся таким образом, чтобы исключить систематические изменения данных с течением времени, такие как тенденции и сезонность, путем дифференцирования.

Это настолько распространено, что встроено в классические линейные методы, такие как модель ARIMA.

Как правило, мы не рассматриваем систематические изменения данных как проблему дрейфа понятий, потому что с этим можно справиться напрямую. Скорее, эти примеры могут быть полезным способом осмысления вашей проблемы и могут помочь вам предвидеть изменения и подготовить данные определенным образом, используя стандартизацию, масштабирование, проекции и многое другое, чтобы смягчить или, по крайней мере, уменьшить влияние изменений на входные переменные в будущее.

Дополнительное чтение

В этом разделе содержится больше ресурсов по теме, если вы хотите углубиться.

Бумаги

• Обучение в условиях дрейфа понятий и скрытых контекстов, 1996.
• Проблема дрейфа понятий: определения и родственная работа, 2004.
• Концепция обнаружения дрейфа для потоковых данных, 2015 г.
• Обучение в рамках концептуального дрейфа: обзор, 2010 г.
• Обзор концептуальных приложений для дрифта, 2016.
• Что такое концептуальный дрейф и как его измерить?, 2010.
• Понимание концептуального дрейфа, 2017.

Артикул

• Дрейф концепции в Википедии
• Управление концептуальным дрейфом: важность, проблемы и решения, 2011 г.

Резюме

В этом посте вы обнаружили проблему дрейфа концепций при изменении данных для прикладного машинного обучения.

В частности, вы узнали:

• Проблема изменения данных во времени.
• Что такое дрейф понятий и как он определяется.
• Как справиться с дрейфом концепции в ваших собственных задачах прогнозного моделирования.

Есть вопросы?
Задавайте свои вопросы в комментариях ниже, и я постараюсь ответить.

Узнайте, как работают алгоритмы машинного обучения!

Посмотрите, как работают алгоритмы за считанные минуты

…только с арифметикой и простыми примерами

Узнайте, как это сделать, в моей новой электронной книге:
Освойте алгоритмы машинного обучения

Он охватывает объяснений и примеров из 10 лучших алгоритмов , например:
Линейная регрессия , k-ближайших соседей , Опорные векторные машины 3, 8 0 и многое другое 6 Штора на
Алгоритмы машинного обучения

Пропустите академические предметы.