训练和推理，听起来像同一件事。很多人第一次接触模型时，这两个词在脑子里是糊在一起的。想分清它们，最快的办法不是打开某个工具，而是拿一张纸、一支笔，亲手跑一遍。
整个练习不需要安装任何东西，不用注册账号，不用写代码。成本为零，收尾就是把纸塞进抽屉。目标也不是做出一个有用的模型，而是按顺序看清四件事各自发生。
这四个词必须先分开：算法是把样本数据变成模型的学习流程，也就是配方；训练是算法跑在数据上的那个阶段；模型是训练出来的结果，接收新输入并给出预测；推理是用训练好的模型处理新输入。
拿面包房打比方：配方是算法，烘烤是训练，面包是模型，切一片端出去是推理。配方不是面包，面包也不会在被人吃的时候还在烤。
第一步：写下带标签的训练数据
画一张小表，每行是一次配送，记录距离和是否迟到。这些数字是为练习编的，不对应任何真实公司。六行数据里，“迟到”这一列记的是每行的正确答案。
这张表有两个特点值得注意。第一，它是带标签的数据：每个样本的正确结果都被记了下来。正因为答案有记录，才能走监督学习这条路——从样本和对应正确输出中学习。如果没人记下哪些配送迟到了，这条路就走不通，行数再多也没用。
第二，它是结构化数据，遵循固定的行列结构。一堆扫描的配送单承载的是同样的事实，但属于非结构化数据，没有固定的数据模型，学习开始前需要多得多的准备工作。
在表格下面画一条线，再写四行训练时不看的记录：3公里不迟到、6公里不迟到、11公里迟到、14公里迟到。这是测试数据。把它盖住，是整个练习里最重要的动作。只有这样才能看出，模型学到的是规律，还是只记住了那六行。
第二步：跑算法，得到一个模型
算法用大白话写出来是这样：在每对相邻距离之间试一个分界值；对每个分界值，把距离超过它的配送都预测为迟到；数一数这个预测在六行训练数据上错了几行；留下错得最少的那个分界值。
现在跑一遍。分界值取8.5公里，只把E和F预测为迟到。它把C判错了，因为C在5公里处确实迟到了，其余全对：错一个。分界值取4.5公里同样只错一个，错在D。两者打平，按约定选8.5公里，继续往下走。
手里现在拿到的就是模型：一句话，“距离超过8.5公里即迟到”。它不是那四步流程，而是流程产出的东西。下个月收集到更多配送数据、想要更好的分界值，就把算法在新数据上再跑一遍。这叫重新训练，也是这个模型唯一的改变方式。
在模型旁边写下训练得分：六对五。
第三步：揭开测试行，给模型打分
揭开那四行测试数据，把这句话逐行套上去。3公里预测不迟到，对；6公里预测不迟到，也对；11公里和14公里预测迟到，都对。四对四。
现在有两个数字：一个来自模型学过的数据，一个来自它从没见过的数据。把这两个数字放在一起读，是判断模型的核心技能。只看训练数据上的好成绩，说明不了什么——那些答案它已经见过了。
第四步：用模型处理一次新配送
来了一单9公里的新配送。只看那句话，别的都不看：超过8.5公里，预测迟到。这就是推理。没有翻训练表，没有重跑那四步。算法和训练数据在这个阶段不参与，参与的只有模型。
训练是费力的，发生在模型被构建或重建的时候；推理是快的，每次使用模型都会发生。一个常见的错误正好踩在这条线上：真正的问题出在答案怎么送到需要它的人手里，却被提成了“重新训练”。
第五步：故意让它死记硬背，看它坏掉
再建第二个模型，算法更懒：“原样抄下训练表；表里没有的距离，一律答不迟到。”
在训练数据上打分，六对六，满分。它给出的每个答案都是从表里直接抄的。换到测试行，画面就变了。3、6、11、14公里都不在它的表里，于是四次全答“不迟到”，对两次错两次：四对二。
这就是过拟合：在训练数据上得分很高，在新数据上表现很差，因为它学的是样本本身连同各种怪癖，而不是样本背后的规律。就像一个把去年答案背下来的学生，换了张卷子就懵了。注意这个死记硬背的模型连C都原样复现了——那个5公里处迟到的异常样本。而分界值模型明智地把它判错了，那一个训练错误，恰恰是它在新数据上站得住的原因之一。
为了完整，再看相反的失败。用一个永远答“不迟到”的模型，训练六对三，测试四对二。两边都低，这叫欠拟合：模型太简单，根本找不到规律。
训练分和测试分之间的差距，就是区分过拟合和欠拟合的依据。记住一条数字判据：训练高、新数据低，是过拟合；两边都低，是欠拟合；两边都好，是拟合良好。过拟合的解法是让模型泛化得更好，比如降低它的灵活度，正则化就是这类技术的名字之一。那句一行的分界值模型已经灵活到不能再低，这正是它赢过死记硬背模型的原因。
第六步：决定模型怎么回答人
模型能用了，接下来的实际问题是它怎么被用起来。常见的服务方式有四种，决定性的问题是“谁在等”，而不是模型本身。
- 实时：有人此刻正等着答案，比如电话那头的调度员。
- 无服务器：请求成批到来，中间有空闲间隔，安静一段时间后第一次回答慢一点可以接受，因为空闲时容量会缩到零。
- 异步：每个请求都很大或很慢，于是进队列，结果稍后从某个存储位置取回。
- 批量：整个数据集在一个任务里打分，比如明天所有排班的配送，任务之间不需要任何东西保持运行。
可以想成邮局：有人排队就开柜台，一袋邮件夜里分拣，大包裹留着等人来取。先看谁在等，再看数据集形态，然后看请求大小，最后看流量模式。
最容易混淆的一对是异步和批量。一个属于某个数据集、一次性打分的大文件，仍然是批量。一个单独到达、进入队列的大文件，是异步。第二个坑：数据持续到达，不等于有人在等答案。仅凭持续到达，推不出需要实时服务。
为什么纸面版本能迁移
接下来用的任何无代码工具，都会换一套说法问你同样的问题：哪一列是要预测的答案？数据该怎么切分做测试？两个分数长什么样？预测会以什么方式被请求？如果你知道选中的那列叫标签，“构建”就是训练，“预测”就是推理，工具界面就好读多了。
这个练习还留下一个值得保持的习惯：先问结果有没有被记录，再问别的。问“有没有标签”，决定监督学习这条路开不开；问“数据有多少”，本身什么都定不了。然后先比较两个分数，再决定信不信其中任何一个。最后，从“谁在等”出发决定服务方式。
几条要点：算法是流程，模型是它的产出；训练构建模型，推理只是反复使用它。监督学习需要带标签的数据，正确答案有没有被记录，比有多少行更重要。永远留出测试数据，判断模型靠的是训练分和未见样本分的对比。先高后低是过拟合，两边都低是欠拟合，把样本背下来的模型可以看起来很完美，却在新样本上翻车。选服务方式，看谁在等、是否整批打分、单个请求多大、流量有多突发。
热门跟贴