首先，对于文本分类问题，如果我已经在 2 个类上训练了模型并且它给出了很好的准确性。现在，当我实时使用模型时，有一个来自完全不同的业务团队的全新课程，我需要使用经过训练的模型并测试这些数据。在这里，显然模型会产生更差的结果，而且预处理或任何其他数据清理可能会大不相同。所以，问题是 - 唯一可能的方法是再次重新训练模型吗？
其次，在细分问题中，方法是使用 K-Means 聚类和分组客户。在实时环境中，我们如何处理新数据点？我们如何知道数据点属于哪个组？因为模型已正确标准化/标准化，然后进行了拟合。对于新的数据点，不能指望同样的情况。我们如何处理这个？
在这两种情况下，您都需要知道已经训练好的模型不是写在石头上的。特别是第二个问题“需要”改变模型。
更详细地说，您通常在谈论在线学习。许多机器学习算法都有在线版本。例如，在这里，您会看到第二个问题的 K-means 在线版本。但总的来说，在线学习只不过是使模型适应数据一个接一个样本的情况（就像你的问题一样）。因此，对于基本用法，您可以简单地以常规方式分别调整您的模型。这不能完全在线，但有时间间隔，您可以使用尚未分配给任何集群的新数据点重新训练模型。对于完全在线的算法，您可以参考上面的链接并开始研究。
对于第一个问题，我有一个元问题。你怎么知道你有一个全新的课本？所以首先你需要检测到变化，然后做出相应的反应。为了检测新类的存在，我建议查看 ML 算法的 logit。例如，如果它是一种概率方法，您可以查看分配给任何当前类的概率，并说是否全部小于阈值，并且根据当前词汇表的新文档的词汇表外单词的数量是否高于阈值，我创建了一个新类。不是最先进的，但对于基本用法，我认为它会起作用。如果需要进行大的更改，则与以非常在线的方式进行预处理没有太大关系。根据类，预处理应该是简单和通用的或非常具体的。第一个不需要更改，第二个需要来自新类的一堆样本来确定。