A.4 · Машинное обучение

Поддерживаемая фокусная точка HL. Первая оценка 2027 целевой показатель; официальный PDF возвращает 403; ранее приобретенный краткий план является финальной оценкой 2026. Оставшиеся руководство, оценка и практические требования сохраняют свои зарегистрированные удержания.

Предварительные требования: прочитайте указанные количества и единицы измерения, используйте арифметику и нижеприведённые условия модели. Каждый урок осваивает собственный метод перед независимым переносом.

Это оригинальные или явно вымышленные учебные примеры, а не фактические измерения или завершённые оценочные исследования учащихся.

Что могло бы объяснить это наблюдение?

• Модель может показать высокий результат, выучив упрощенный путь (shortcut) в обучающих данных. Оценка должна проверять выполнение целевой задачи на соответствующих непройденных примерах.
• Начните с гипотезы. Укажите величины или признаки, которые вы будете сравнивать, затем определите, какие доказательства могут различить два объяснения.

Постройте модель

• Реляционная база данных использует таблицы, ключи и связи для организации данных. Машинное обучение оценивает закономерности по данным. Данные для обучения и оценки выполняют разные роли.
• первичный ключ: Множество атрибутов, однозначно идентифицирующее запись; утечка данных: Использование информации, недоступной в момент целевого предсказания.

Выберите доказательства для проверки гипотезы

• Первичный ключ однозначно идентифицирует запись; внешний ключ связывает записи. При предсказании утечка может раскрыть информацию, недоступную в момент реального принятия решения. Одна лишь точность может скрывать несбалансированное распределение целевой переменной.
• Используйте вымышленные записи о бронировании для выявления сущностей, атрибутов и связей. Для учебной практики используйте публичный несекретный набор данных, разделяйте обучающие и тестовые данные, а также опишите, кто может пострадать от ошибок. Текущий 2027 объем цели CS ожидает приобретенного руководства.

Работайте с известными величинами

• Укажите известные значения и их единицы измерения. Выберите соотношение, предположения которого подходят к данному случаю, затем преобразуйте формулу перед подстановкой.
• Известно: классификатор делает 90 правильных предсказаний среди 100 случаев. Точность = правильные/всего×100 = 90%. Если 90 случаев относятся к одному классу, постоянное предсказание этого класса дает ту же точность и все равно может пропустить все случаи меньшинства.

Пример:

Модель делает 72 правильных предсказаний из 80. Найдите процент точности. Используйте последовательность: известные величины → модель → соотношение → подстановка → единица измерения и интерпретация.

Проверьте вывод и его границы применимости

• Высокая точность не является доказательством справедливости или причинно-следственного понимания. Первичный ключ базы данных — это не просто то поле, которое кажется важным.
• Вернитесь к первоначальному наблюдению. Объясните, что подтверждает результат, при каких условиях он верен и каким образом можно проверить конкурирующее объяснение.

Предупреждение:

Классификатор с точностью 90% должен одинаково хорошо работать со всеми классами. Это утверждение неверно: высокая точность не является доказательством справедливости или причинно-следственного понимания. Первичный ключ базы данных — это не просто то поле, которое кажется важным.

Ключевые моменты:

Модели данных и ответственный машинный learning: первичный ключ однозначно идентифицирует запись; внешний ключ связывает записи. При предсказании утечка может раскрыть информацию, недоступную в момент реального принятия решения. Одна лишь точность может скрывать несбалансированное распределение целевой переменной.

Работоспособная трассировка и границы

tp, fn, fp, tn = 4, 1, 10, 85
total = tp + fn + fp + tn
accuracy = (tp + tn) / total
recall = tp / (tp + fn) if tp + fn else None
print(accuracy, recall)
positives = 0
print(0 / positives if positives else "UNDEFINED")

Ожидаемый вывод:

0.89 0.8
UNDEFINED

Точность делит правильные предсказания на все случаи; полнота (реал-л) делит истинно положительные результаты на фактические положительные. При отсутствии положительных случаев полнота не определена, а не равна нулю. Набор данных вымышленный, без обученной модели или персональных данных.