模型（model）
/ MOD-ul /
在机器学习里，模型就是那个负责做预测的东西——一份把输入变成答案的「食谱」。把一套房子的特征喂进去，它返回一个价格；把一封邮件喂进去，它返回「垃圾」或「非垃圾」。训练之前，模型是一份带着许多可调旋钮的空白食谱；训练，就是不断拧这些旋钮，直到食谱在它见过的例子上给出好答案的过程。训练之后，所谓训练好的模型，不过是这些旋钮的一套被冻结下来的设定，打好包，好去回答新的问题。
把人们偷懒地都叫作「模型」的三样东西分开来看，会很有帮助。第一是它的形式——一条直线、一棵决策树、一个神经网络——它决定了能表达出怎样形状的模式。第二是参数，也就是从数据里学到、用来填满那个形式的一组数字。第三是训练好的成品，即形式加上学到的参数，也就是你真正部署的那个文件。一句顺口的话：形式是空书架，参数是书，而训练就是把书摆上架子的那个动作。
模型是对现实有意为之的简化，从来不是现实本身——正如统计学家乔治·博克斯所说：所有模型都是错的，但有些有用。一个天气模型里并没有装着天空；它只抓住了足够派上用场的那部分规律。所以一个模型的价值，不在于它是否「真」，而在于它对从未见过的数据能否做出足够好的预测。一个在训练例子上光彩夺目、到了真实世界却跌跌撞撞的模型，在唯一要紧的那项工作上失败了。
最简单又好用的模型是一条直线：价格 = 3000 ×（建筑面积）+ 50000。其形式是「一条线」；数字 3000 和 50000 是参数，从过往成交记录里学来。一旦定下来，模型就能对任意面积吐出一个价格——哪怕是一套从没卖过的房子。
形式（一条线）加上学到的参数（3000、50000），就构成一个训练好的模型。
「模型」一词被宽泛地同时用来指训练前的空白形式和训练后的成品。需要精确时，用「模型架构」指形式，用「训练好的模型」或「权重」指学到的结果。