SSkilvy
ENВойтиНачать бесплатно

Три главных понятия ML

Чтобы говорить об ML, нужно понимать три базовых понятия: данные, признаки и модель. Они образуют основу любой ML-системы. Разберём их на понятном примере — предсказании цены квартиры.

ДанныеПризнакиМодель Обучение Предсказания
Данные состоят из признаков; модель учится связывать признаки с ответом.

Данные

Данные — это примеры, на которых учится модель. Для предсказания цены квартиры данные — это таблица проданных квартир: у каждой известны характеристики и реальная цена продажи. Чем больше и качественнее данные, тем лучше учится модель.

Признаки (features)

Признаки — это характеристики каждого примера, по которым модель делает вывод. Для квартиры признаки: площадь, число комнат, этаж, район, состояние. Модель учится связывать признаки с ответом (ценой). Выбор хороших признаков критичен: «площадь» полезна для цены, «цвет обоев» — вряд ли.

Модель

Модель — это то, что учится на данных находить связь между признаками и ответом. После обучения модель может предсказывать: дайте ей признаки новой квартиры (которой не было в данных) — она предскажет цену на основе выученных закономерностей.

Объясни данные, признаки и модель на примере предсказания, придёт ли клиент снова.
Пример: предсказать, вернётся ли клиент в магазин. 1) Данные: таблица прошлых клиентов, где по каждому известно, вернулся он или нет (это то, на чём учимся). 2) Признаки: характеристики клиента, по которым предсказываем — сколько потратил, как давно был, сколько покупок, оставлял ли отзыв. Модель ищет связь между этими признаками и тем, вернулся ли клиент. 3) Модель: после обучения на прошлых клиентах она берёт признаки нового клиента и предсказывает вероятность возврата. Ключевое: данные — примеры для обучения; признаки — что описывает каждый пример; модель — то, что учится связывать признаки с ответом. Качество зависит и от данных, и от выбора правильных признаков.

Обучение и предсказание — два этапа

Работа с ML-моделью делится на два этапа: обучение (модель учится на данных с известными ответами) и предсказание (обученная модель применяется к новым данным). Сначала учим на прошлом, потом применяем к новому. Понимание этого разделения — ключ ко всему дальнейшему.

Правило: данные — примеры для обучения, признаки — что описывает пример, модель — то, что учится связывать признаки с ответом. Хорошие данные и признаки решают всё.

🧠 Что такое признаки (features) в ML?

← НазадСледующий →