1.4.1 — 模型与参数的概念

学习目标

完成本课后，你将能够：

• 解释模型如何将输入映射为输出。
• 区分输入特征、模型参数和预测结果。
• 通过简单线性模型理解参数。
• 区分模型家族与具体训练后的模型。
• 区分模型、训练算法和 AI 系统。
• 解释为什么参数本身不能证明因果关系。

1. 模型把输入映射为输出

机器学习模型可以看作一条数学规则：接收对象的描述，并计算结果。输入是特征，例如测量值、属性、文本或图像数据。输出可以是数值、类别、概率、序列，或符合任务要求的其他表示。

我们用 x 表示输入，用 θ（theta） 表示模型参数，用 ŷ（y-hat） 表示预测。如果已知真实答案，则用 y 表示。预测不等于真实答案：模型可能出错。

2. 什么是模型参数

参数是决定模型具体行为的数值。在简单线性模型中，参数包括系数 w 和截距 b。在神经网络中，参数包括大量连接的权重和偏置。大型模型可能包含数百万甚至数十亿个参数。

即使模型家族相同，不同参数集合也会定义不同的函数。因此，仅仅说“使用线性模型”或“使用神经网络”不足以复现预测；还需要知道具体参数值。

3. 同一输入，不同模型

来看一个教学示例：模型根据设备运行小时数估算能耗。令 x 表示运行小时数，ŷ 表示示意性能耗单位。以下数值均为假设值，并非实测数据或工程标准。

模型 A 使用 w = 2.4、b = 18，运行五小时得到预测值 30。模型 B 使用 w = 1.8、b = 22，相同输入得到 31。输入没有变化，但参数不同，因此预测也不同。

改变 w 会改变直线斜率；改变 b 会使直线上移或下移。在复杂模型中，参数可能改变决策边界或特征之间的交互，但基本思想相同。

4. 输入和参数并不是一回事

输入 x 通常会随着新对象而变化。参数 θ 定义一个具体模型，在普通预测过程中通常保持固定。模型接收新对象时，不需要重新从该对象学习，而是把已有参数应用于新输入。

这并不意味着参数永远不会变化。训练过程中会确定参数；微调或重新训练时也可能更新参数。但在普通预测时，我们把某一组参数视为固定值。1.4.2 将详细介绍参数如何确定，以及损失函数的作用。

5. 模型、训练算法与 AI 系统

这些概念相互关联，但不能互换。模型是计算预测的规则。训练算法是利用数据和评价准则选择参数的过程。AI 系统范围更广：它可能负责准备数据、调用模型、应用阈值规则、检索文档、展示结果并记录事件。

例如，模型可以估计设备故障概率。但当概率超过某个阈值时是否通知工程师，可能由单独的规则决定。阈值、界面和运行流程不一定属于模型本身。

6. 小练习：改变参数

下面的 predict 函数定义模型的数学形式。model_a 和 model_b 保存两组参数。我们向两个模型输入相同的运行小时数，却得到不同的预测。代码并不训练模型：参数由我们手动设置，以便单独观察参数的含义。

运行代码，然后只修改 rate 或 base，观察结果如何变化。不要认为预测值越高就一定越好；这取决于数据、任务和评价准则。

def predict(hours, rate, base):
    return rate * hours + base

model_a = {"rate": 2.4, "base": 18.0}
model_b = {"rate": 1.8, "base": 22.0}

hours = 5
print(predict(hours, model_a["rate"], model_a["base"]))
print(predict(hours, model_b["rate"], model_b["base"]))

预期输出：30.0 和 31.0。在真实项目中，参数通常通过训练获得，并使用数据进行检查，而不是手动选择。

7. 参数本身不能说明什么

参数会影响预测，但不能自动解释为某种现象的原因。在简单线性模型中，在一定假设下，系数有助于描述关联的方向和尺度。然而，特征相关性、测量单位、数据处理方式和模型结构都会影响解释。

在神经网络中，单个权重通常没有简单、可直接理解的人类语义。模型行为由大量参数共同决定。因此，没有专门分析时，不能断言“某一个权重就代表某一个概念”。

8. 总结与后续课程

模型把输入特征映射为预测。参数决定具体模型实例。即使数学形式相同，不同参数也可能产生不同输出。训练算法负责选择参数，AI 系统则把模型与数据、规则和软件组件结合起来。

1.4.2 将介绍参数拟合和损失函数；1.4.3 讨论过拟合与欠拟合；1.4.4 讨论泛化能力；1.4.5 介绍超参数与模型调优。模型质量和评价指标将在主题 1.5 中学习。