切换机制：一种处理真实世界数据集中增量概念漂移的新方法

如今机器学习模型在商业与工业的诸多应用中起着关键作用。然而，模型只有在部署到生产环境后才开始产生价值。已部署模型面临的一个挑战是数据随时间变化的影响，这通常用概念漂移一词来描述。由于其本质，概念漂移会严重影响机器学习系统的预测性能。本工作中，我们分析真实世界数据集中概念漂移的影响。为高效处理概念漂移，我们引入了切换机制，其结合了机器学习模型的重训练与更新两项原则。此外，我们系统地分析了现有的常规自适应以及触发式自适应策略。切换机制在受随时间变化的需求模式严重影响的纽约市出租车数据上进行了实例化。我们表明切换机制优于所有其他基线并给出了有前景的预测结果。