在验证使用预测性预测功能 机器学习或生成式 AI 方法，就可以用机器学习术语来阐述您的问题。 您可以通过完成以下任务来用机器学习术语来表示问题：
- 定义理想的结果和模型的目标。
- 识别模型的输出。
- 定义成效指标。
定义理想的结果和模型的目标
不依赖机器学习模型，理想结果是什么？也就是说， 您希望自己的产品或功能执行的具体任务。这与 陈述目标 部分。
通过明确定义要达成的目标，将模型的目标与理想的结果联系起来 希望模型执行的操作。下表说明了理想的结果和 模型对于假设应用的目标：
| 应用广告系列 | 理想结果 | 模型的目标 |
|---|---|---|
| 天气应用 | 以六小时为增量计算一个地理区域的降水量。 | 预测特定地理区域六小时的降水量。 |
| 时尚应用 | 生成各种衬衫设计。 | 根据文本和图片生成三种类型的衬衫设计， 其中，文本说明样式和颜色，而图片则是 衬衫（T 恤、纽扣、Polo）。 |
| 视频应用 | 推荐实用视频。 | 预测用户是否会点击视频。 |
| “邮件”应用 | 检测垃圾邮件。 | 预测电子邮件是否为垃圾邮件。 |
| 金融应用 | 总结多个新闻媒体的财经信息。 | 生成 50 个字的总结，了解主要财务趋势 前七天。 |
| 地图应用 | 计算行程时间。 | 预测两点之间行程所需的时间。 |
| 银行应用 | 识别欺诈性交易。 | 预测某笔交易是否是持卡人完成的。 |
| 餐饮应用 | 根据餐厅菜单识别菜肴。 | 预测餐馆类型。 |
| 电子商务应用 | 生成有关公司产品的客户支持回复。 | 根据情感分析和组织的情感分析生成回复 知识库。 |
确定您需要的输出
模型类型的选择取决于具体的上下文和 您遇到的问题。模型的输出应完成 理想结果。因此，要回答的第一个问题是 “解决我的问题需要哪种类型的输出？”
如果您需要对数据进行分类或进行数字预测， 使用预测性机器学习。如果您需要生成新内容或生成输出内容 自然语言理解相关任务，您可能会使用生成式 AI。
下表列出了预测性机器学习和生成式 AI 的输出结果：
| 机器学习系统 | 输出示例 | |
|---|---|---|
| 分类 | 二进制 | 将电子邮件归类为垃圾邮件或非垃圾邮件。 |
| 多类别单标签 | 对图片中的动物进行分类。 | |
| 多类别多标签 | 对图片中的所有动物进行分类。 | |
| 数值 | 一维回归 | 预测视频将获得的观看次数。 |
| 多维回归 | 预测血压、心率和胆固醇水平 一个人。 |
| 模型类型 | 输出示例 |
|---|---|
| 文本 |
总结文章。 回复客户评价。 将文档从英语翻译成普通话。 撰写产品说明。 分析法律文件。
|
| 图片 |
生成营销图片。 对照片应用视觉效果。 生成产品设计变体。
|
| 音频 |
以特定口音生成对话。
生成特定流派的短乐曲，例如
爵士乐。
|
| 视频 |
生成逼真的视频。
分析视频片段并应用视觉效果。
|
| 多模态 | 生成多种类型的输出，例如带有文字说明的视频。 |
分类
分类模型 预测输入数据属于哪个类别，例如， 应归类为 A、B 或 C。
图 1. 进行预测的分类模型。
根据模型的预测，您的应用可能会做出决策。例如，如果 则预测为 A 类，则 X；如果预测结果是 B 类，则 do、Y；如果预测属于 C 类，则执行 Z。在某些情况下， 是应用的输出。
图 2. 分类模型的输出，用于商品代码 做出决定。
回归
回归模型可 数值。
图 3. 进行数值预测的回归模型。
根据模型的预测，您的应用可能会做出决策。例如，如果 预测值在 A 区间内，做 X；如果预测值在 B，执行 Y；如果预测结果在 C 范围内，则执行 Z。在某些情况下， 预测就是应用的输出。
图 4. 产品代码中使用的回归模型输出 做出决定。
请考虑以下场景：
您想要缓存 根据视频的预计热门程度预测视频。换句话说，如果您的模型 预测视频会很受欢迎，您想要快速向用户提供该视频。接收者 那么可以使用更有效、更昂贵的缓存。对于其他视频 将使用不同的缓存您的缓存条件如下：
- 如果预计视频会获得 50 次或更多观看次数， 缓存。
- 如果视频预计会获得 30 到 50 次观看，则您可以使用价格较低的 缓存。
- 如果预测视频的观看次数少于 30 次，则系统不会缓存 视频。
您认为回归模型是正确的方法， 数值—观看次数。不过，在训练回归模型时， 就会发现它会产生 loss：预测值为 28 和 32 为观看次数达到 30 次的视频换言之，虽然您的应用 如果预测结果为 28 与 32，则模型会同时考虑两者 预测效果也一样出色。
图 5. 训练回归模型。
回归模型不了解产品定义的阈值。因此，如果您的 应用的行为 回归模型的预测，您应该考虑实现一个 分类模型。
在这种情况下，分类模型将产生正确的行为 因为分类模型对预测 28 比 32。从某种意义上说，分类模型默认会生成阈值。
此方案强调了两个要点：
预测决策。尽可能预测您的应用将会做出的决策 。在视频示例中，分类模型会预测 从而决定视频是否归入“无缓存”的类别，"便宜 缓存”以及“昂贵的缓存”在模型中隐藏应用行为 导致应用出现错误的行为。
了解问题的限制。如果您的应用 根据不同的阈值确定这些阈值是否 是固定的还是动态的
- 动态阈值：如果阈值是动态的，请使用回归模型 并在应用的代码中设置阈值。这样，您就可以 更新阈值，同时让模型 预测。
- 固定阈值：如果阈值是固定的，请使用分类模型 并根据阈值限制为数据集添加标签。
一般来说，大多数缓存预配是动态的，并且阈值会发生变化 。因此，由于这具体是缓存问题， 是最佳选择。不过，对于许多问题， 因此分类模型是最佳解决方案。
我们再来看一个示例。如果您正在构建一款天气应用，该应用
理想的结果是告知用户未来 6 小时内的雨量，
则可以使用回归模型来预测标签“precipitation_amount.”
| 理想结果 | 理想标签 |
|---|---|
| 告知用户其所在区域的降雨量 接下来的六个小时 | precipitation_amount
|
在天气应用示例中，标签直接指明了理想的结果。
但在某些情况下，这两者之间的一对一关系并不明显
理想结果和标签。例如，在视频应用中，理想结果是
来推荐实用视频但是，数据集中没有名为
useful_to_user.
| 理想结果 | 理想标签 |
|---|---|
| 推荐实用视频。 | ? |
因此，您必须找到一个代理标签。
代理标签
代理标签替换为
标签。无法使用代理标签时
直接衡量您想要预测的内容。在视频应用中，我们无法
衡量用户是否认为视频有用。如果
数据集具有 useful 特征，用户标记了他们找到的所有视频
有用，但由于数据集没有用，因此我们需要一个
实用性的替代标签可以是用户是否愿意分享或点赞 视频。
| 理想结果 | 代理标签 |
|---|---|
| 推荐实用视频。 | shared OR liked |
请谨慎使用代理标签，因为它们不会直接衡量您需要的内容 要预测的内容。例如，下表概述了 推荐实用视频的代理标签：
| 代理标签 | 问题 |
|---|---|
| 预测用户是否会点击“赞”按钮。 | 大多数用户从不点击“顶”。 |
| 预测某个视频是否会热门。 | 不是个性化结果。某些用户可能不喜欢热门视频。 |
| 预测用户是否会分享视频。 | 部分用户不分享视频。有时，人们分享视频的原因 不喜欢。 |
| 预测用户是否会点击播放。 | 最大限度地增加点击诱饵。 |
| 预测观看者观看视频的时长。 | 相比短视频，用户更喜欢长视频。 |
| 预测用户会再次观看视频的次数。 | 偏向于“可重复观看”无法重复观看的视频类型。 |
没有代理标签可以完美替代您的理想结果。所有将 可能存在问题请选择与您的问题 应用场景。
检查您的理解情况
生成
在大多数情况下，您不会训练自己的生成模型，因为这样做 需要大量的训练数据和计算资源。相反， 您将自定义预训练的生成模型。要使用生成模型 生成所需的输出，您可能需要使用以下一种或多种方式 方法：
蒸馏。要创建 与大型模型相比，您可以生成合成的加标签数据集 从用于训练较小模型的较大模型中生成新数据。生成式 模型通常很大，并且会消耗大量资源（例如 和电力）。蒸馏可带来较小、较少的资源密集型 来粗略估算较大模型的性能。
微调或 参数高效微调。 要提高模型在特定任务上的表现，您需要进一步 使用一个数据集来训练模型，该数据集包含您需要的 想要生成的内容。
提示工程。接收者 让模型执行特定任务，或 以特定格式生成输出，您可以告诉模型想要完成的任务， 或说明您希望如何对输出设置格式换言之， 提示可以包含有关如何执行此任务的自然语言说明 或具有所需输出的说明性示例。
例如，如果您想查找简短的文章摘要，可以输入 以下：
Produce 100-word summaries for each article.如果您想让模型针对特定阅读水平生成文本， 您可以输入以下内容：
All the output should be at a reading level for a 12-year-old.如果您希望模型以特定格式提供其输出， 解释应如何设置输出格式，例如“设置 以表格形式显示结果”- 或者，您也可以演示如何 来生成模型。例如，您可以输入以下内容：
Translate words from English to Spanish. English: Car Spanish: Auto English: Airplane Spanish: Avión English: Home Spanish:______
蒸馏和微调会更新模型的 parameters。提示工程 不会更新模型的参数。相反，提示工程可以帮助 并学习如何根据提示的上下文产生期望的输出。
在某些情况下，您还需要一个 测试数据集，用于评估 对照已知值生成模型的输出，例如 模型总结与人工生成的摘要类似， 非常好。
生成式 AI 还可用于实现预测性机器学习 例如分类或回归。 例如，由于他们对自然语言有深入的了解， 大型语言模型 (LLM) 执行文本分类任务往往比预测性机器学习更出色 针对特定任务进行训练。
定义成效指标
定义您将用来确定机器学习实现是否实现的指标 请求成功。成效指标界定了您关注的方面，例如互动度或 帮助用户采取适当的操作，例如观看他们认为 实用。成功指标与模型的评估指标不同，例如 accuracy、 精确率、 召回，或 AUC。
例如，天气应用的成功和失败指标可定义为 以下：
| 成功 | 用户将打开“会下雨吗？”增加 50% 提升工作效率 |
|---|---|
| 失败 | 用户将打开“会下雨吗？”功能最多 。 |
视频应用指标可定义如下：
| 成功 | 用户在网站上停留的时间平均增加了 20%。 |
|---|---|
| 失败 | 平均而言，用户在网站上停留的时间不会比以前更长。 |
我们建议定义雄心勃勃的成功指标。抱负远大可能会造成差距 成功与失败之间例如，平均支出用户 网站停留时间比以前增加 10%，既不是成功也不失败。 未定义的差距并不重要。
重要的是模型有足够大的距离， 超过 — 成功的定义。例如，在分析模型的 请考虑以下问题：改进模型是否让您 更接近您定义的成功标准？例如，一个模型可能 评估指标，但不会让您离成功标准更近一步， 即使有完美的模型，您也达不到 。另一方面，模型的评估指标可能较差， 更接近成功标准，这表明改进模型 让您离成功更近一步
以下是确定模型是否值得考虑的维度 改善：
做得不够好，但继续。该模型不应 但随着时间的推移，它可能会得到显著改善。
做得不错，继续努力。该模型可用于生产环境 环境，它可能会进一步改进。
足够好，但我们无法不断改进。该模型处于生产环境 但其质量很可能要好一些
不够好，永远不会。该模型不应 那么再多的训练可能就无法实现这一点。
在决定改进模型时，请重新评估增加的资源， 例如工程时间和计算成本，证明 模型。
定义成功和失败指标后，您需要确定 都会对您进行衡量例如，你可以衡量以下六个成功指标： 天、六周或六个月后。
在分析故障指标时，尝试确定系统发生故障的原因。对于 模型可能会预测用户会点击哪些视频， 模型可能会开始推荐可吸引用户互动的点击诱饵标题 。在天气应用示例中，模型可能会准确预测 会下雨，但是覆盖的地理区域过大。
检查您的理解情况
一家时尚公司希望提高服装销量。有人建议使用机器学习 确定该公司应制造哪些服装。他们认为自己可以 训练模型以确定哪种类型的服装时尚。更新后 他们希望将该模型应用于他们的目录， 要制作什么样的衣服
他们应该如何用机器学习术语来描述自己的问题？
理想结果：确定要制造的商品。
模特的目标：预测展示哪些服饰 。
模型输出：二元分类、in_fashion、
not_in_fashion
成功指标：售出 70% 或以上的服装 。
理想结果：确定要订购的面料和用品数量。
模型目标：预测每件商品的生产量。
模型输出：二元分类、make、
do_not_make
成功指标：售出 70% 或以上的服装 。