1.4.1 — Понятие модели и параметров

Результаты обучения

После изучения урока вы сможете:

• Объяснить модель как отображение входных данных в выход.
• Различать входные признаки, параметры и прогноз.
• Понимать параметры на примере простой линейной модели.
• Отличать семейство моделей от конкретной обученной модели.
• Различать модель, алгоритм обучения и AI-систему.
• Объяснять, почему параметры сами по себе не доказывают причинную связь.

1. Модель преобразует вход в результат

Модель машинного обучения можно рассматривать как математическое правило, которое получает описание объекта и вычисляет результат. На вход поступают признаки: измерения, характеристики, текстовые или визуальные данные. На выходе модель выдаёт число, класс, вероятность, последовательность или другое представление, подходящее задаче.

В обозначениях будем использовать x для входа, θ (тета) для параметров модели и ŷ («y с крышкой») для прогноза. Реальный ответ, если он известен, обозначим y. Прогноз и реальный ответ — не одно и то же: модель может ошибаться.

2. Что такое параметры модели

Параметры — числовые значения, которые задают конкретное поведение модели. В простой линейной модели это коэффициент w и свободный член b. В нейронной сети параметрами являются, в частности, веса и смещения множества нейронных связей. В больших моделях параметров могут быть миллионы или миллиарды.

Для одного и того же семейства моделей разные наборы параметров задают разные функции. Поэтому недостаточно сказать «используется линейная модель» или «используется нейросеть»: нужно знать и конкретные значения параметров, если мы хотим воспроизвести прогноз.

3. Один пример — разные модели

Рассмотрим учебный пример: модель оценивает расход энергии по числу часов работы оборудования. Пусть x — часы работы, а ŷ — условные единицы энергии. Значения ниже иллюстративны: это не результат измерений и не инженерная нормативная зависимость.

Модель A использует w = 2,4 и b = 18. При пяти часах она выдаёт 30. Модель B использует w = 1,8 и b = 22 и при том же входе выдаёт 31. Вход одинаковый, но параметры разные — поэтому различается и прогноз.

Изменение w меняет наклон зависимости, а изменение b сдвигает линию вверх или вниз. В более сложных моделях параметры могут менять форму границы решения или взаимодействие признаков; общая идея остаётся той же.

4. Параметры и входные данные — не одно и то же

Вход x обычно меняется для каждого нового объекта. Параметры θ задают конкретную модель и при обычном использовании остаются фиксированными между прогнозами. Если модель получает новый объект, ей не требуется заново «учиться» на нём: она применяет уже заданные параметры к новому входу.

Это не означает, что параметры никогда не меняются. Во время обучения они подбираются по данным; при дообучении или переобучении могут обновляться. Но в момент обычного предсказания мы рассматриваем конкретный набор параметров как заданный. Процесс подбора параметров и функцию потерь подробно разберём в уроке 1.4.2.

5. Модель, алгоритм обучения и AI-система

Эти понятия связаны, но не взаимозаменяемы. Модель — правило, которое вычисляет прогноз. Алгоритм обучения — процедура, которая по данным и критерию подбирает параметры. AI-система — более широкая программно-техническая конструкция: она может подготавливать данные, вызывать модель, применять пороговое правило, обращаться к базе документов, показывать результат и вести журнал.

Например, модель может оценивать вероятность неисправности. Но решение отправить заявку инженеру может принимать отдельное правило: если вероятность выше выбранного порога, создать уведомление. Сам порог, интерфейс и процесс обработки — не обязательно часть самой модели.

6. Мини-практика: изменяем параметры

В примере ниже функция predict — это фиксированная форма модели. Словари model_a и model_b содержат два набора параметров. Мы передаём одинаковое число часов, но получаем разные прогнозы. Код не обучает модель: параметры заданы вручную, чтобы изолировать смысл понятия.

Запустите код, затем поменяйте только rate или base. Посмотрите, как меняется результат. Не делайте вывод, что более высокий прогноз автоматически лучше: для этого нужно знать данные, задачу и критерий качества.

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"]))

Ожидаемый вывод: 30.0 и 31.0. В реальном проекте параметры обычно получают в процессе обучения и проверяют на данных, а не выбирают вручную.

7. Что параметры не говорят сами по себе

Параметр влияет на вычисление прогноза, но его нельзя автоматически трактовать как причину явления. В простой линейной модели коэффициент может быть удобен для понимания направления и масштаба связи при определённых условиях. Однако корреляция признаков, масштаб измерений, способ подготовки данных и структура модели меняют смысл интерпретации.

В нейронной сети отдельный вес обычно не имеет простого самостоятельного человеческого значения. Поведение определяется множеством параметров совместно. Поэтому нельзя заключать, что «один вес отвечает за одно понятие», не проведя отдельный анализ.

8. Итоги и границы следующих уроков

Модель преобразует входные признаки в прогноз. Параметры задают конкретный экземпляр модели. Для одной и той же математической формы разные параметры могут давать разные результаты. Алгоритм обучения подбирает параметры, а AI-система объединяет модель с данными, правилами и программными компонентами.

В уроке 1.4.2 мы разберём, как параметры подбираются и что такое функция потерь. В 1.4.3 рассмотрим переобучение и недообучение, в 1.4.4 — обобщающую способность, а в 1.4.5 — гиперпараметры и настройку. Метрики качества и протоколы оценки находятся в теме 1.5.