模型（model）
/ MOD-ul /
在機器學習裡，模型就是那個負責做預測的東西——一份把輸入變成答案的「食譜」。把一套房子的特徵餵進去，它返回一個價格；把一封郵件餵進去，它返回「垃圾」或「非垃圾」。訓練之前，模型是一份帶著許多可調旋鈕的空白食譜；訓練，就是不斷擰這些旋鈕，直到食譜在它見過的例子上給出好答案的過程。訓練之後，所謂訓練好的模型，不過是這些旋鈕的一套被凍結下來的設定，打好包，好去回答新的問題。
把人們偷懶地都叫作「模型」的三樣東西分開來看，會很有幫助。第一是它的形式——一條直線、一棵決策樹、一個神經網路——它決定了能表達出怎樣形狀的模式。第二是參數，也就是從資料裡學到、用來填滿那個形式的一組數字。第三是訓練好的成品，即形式加上學到的參數，也就是你真正部署的那個檔案。一句順口的話：形式是空書架，參數是書，而訓練就是把書擺上架子的那個動作。
模型是對現實有意為之的簡化，從來不是現實本身——正如統計學家喬治·博克斯所說：所有模型都是錯的，但有些有用。一個天氣模型裡並沒有裝著天空；它只抓住了足夠派上用場的那部分規律。所以一個模型的價值，不在於它是否「真」，而在於它對從未見過的資料能否做出足夠好的預測。一個在訓練例子上光彩奪目、到了真實世界卻跌跌撞撞的模型，在唯一要緊的那項工作上失敗了。
最簡單又好用的模型是一條直線：價格 = 3000 ×（建築面積）+ 50000。其形式是「一條線」；數字 3000 和 50000 是參數，從過往成交記錄裡學來。一旦定下來，模型就能對任意面積吐出一個價格——哪怕是一套從沒賣過的房子。
形式（一條線）加上學到的參數（3000、50000），就構成一個訓練好的模型。
「模型」一詞被寬泛地同時用來指訓練前的空白形式和訓練後的成品。需要精確時，用「模型架構」指形式，用「訓練好的模型」或「權重」指學到的結果。