Данни за обучение: закономерности, произтичащи от качеството, а не от количеството

Данните за обучение са наборът от примери, които подавате на модела, за да може той да научи закономерности — подобно на това да показвате на дете снимки на котки, за да го научите как изглежда една котка. Основното разграничение е, че повече данни невинаги означава по-добри резултати — ако данните ви са пристрастни (например съдържат само бели котки), моделът няма да се справя с черни котки. Качеството означава, че данните трябва да са представителни, точни и получени от законосъобразни източници, в противен случай моделът научава погрешните закономерности.

На изпита внимавайте за въпроси, които внушават, че даден модел работи добре, защото разполага с много данни — това е уловка. Вместо това проверете дали данните обхващат всички релевантни случаи (обхват), не съдържат систематични грешки (пристрастия) и са събрани с разрешение (законосъобразност). Бърза мисловна проверка: ако вие бяхте моделът, данните щяха ли да ви научат на правилното правило? Например модел за подбор на персонал, обучен само с автобиографии на мъже, ще се научи да предпочита мъже не защото е сексистки, а защото в данните липсват примери за жени.

За да запомните това, представете си везна: от едната страна е количеството на данните, а от другата — качеството им. На изпита везните винаги се накланят в полза на качеството. Бърза проверка: запитайте се „Има ли в тези данни пропуски или правни проблеми?“. Ако отговорът е „да“, резултатът от модела е ненадежден независимо с колко данни разполагате.