في التحليلات التنبؤية والتعلم الآلي ، انحراف المفهوم Concept drift يعني أن الخصائص الإحصائية للمتغير المستهدف labels والتي يحاول النموذج التنبؤ بها ، تتغير بمرور الوقت بطرق غير متوقعة. هذا يسبب مشاكل لأن التنبؤات تصبح أقل دقة مع مرور الوقت. يشير مفهوم المصطلح أيضا إلى الكمية التي يجب توقعها. أيضا يؤدي هذا الإنحراف إلى اختلاف حدود القرار للبيانات الجديدة عن تلك الخاصة بنموذج مبني من البيانات المرمزة / المصنفة سابقا. يمكن أن يكشف تسجيل البيانات الجديدة المأخوذة بشكل عشوائي عن الانخراف الذي يسمح لنا بتشغيل مهام إعادة التسمية / إعادة التدريب على أساس الحاجة.
حتى النماذج المثالية المبنية بدقة على مجموعة بيانات قدرتها التنبؤية تتلاشى تدريجيا مع مرور الوقت و يتحلل النموذج. بشكل عام هناك طريقتان يمكن أن يتحلل بها النموذج. إما بسبب انحراف البيانات data drift أو بسبب انحراف المفهوم concept drift. في حالة انحراف البيانات ، تتطور البيانات مع مرور الوقت و يحتمل أن تقدم مجموعة البيانات غير المصنفة بعد والفئات الجديدة المطلوب منها. لكن ليس هناك أي تأثير على البيانات التي تم تصنيفها مسبقًا. في حالة انحراف المفهوم ، يتغير تفسيرنا للبيانات مع مرور الوقت حتى في حين أن التوزيع العام للبيانات لا يتغير. يؤدي هذا إلى قيام المستخدم النهائي بتفسير تنبؤات النموذج على أنها تدهورت بمرور الوقت لنفس البيانات / البيانات المتماثلة. يتطلب الإصلاح هنا إعادة تسمية البيانات القديمة المتأثرة وإعادة تدريب النموذج. يمكن أن تنحرف كل من البيانات والمفهوم في وقت واحد أيضًا ، مما يزيد من إرباك الأمور.
بمجرد اكتشاف الانحراف ، سواءا الإنحراف في البيانات أو الإنحراف في المفهوم، يحتاج النموذج إلى التحديث:
- إذا كان الإنحراف هو انحراف المفهوم Concept drift، فعندئذ البيانات القديمة المتأثرة تحتاج إلى إعادة تصنيف وإعادة تدريب النموذج عليها.
- أما إذا كان الإنحراف هو إنحراف البيانات Data drift، فعندئذ يجب تسمية، ترميز، أو تصنيف ما يكفي من البيانات الجديدة لتقديم فئات جديدة وإعادة تدريب النموذج عليها.
يمكن مشاهذة الفيديو لتوضح الفكرة أكثر أيضا يمكن تفعيل الترجمة
