Практические кейсы

Эта глава сознательно не посвящена обучению моделей, выбору алгоритмов или тонкой настройке гиперпараметров. Мы будем считать, что модель уже существует и каким-то образом выдаёт вероятностный результат. Нас интересует не как модель получена, а что делать дальше с тем, что она вернула.

Все кейсы в этой главе показывают один и тот же принцип с разных сторон: вероятность начинает играть роль только после модели – в интерпретации результатов, принятии решений и обновлении уверенности по мере поступления новой информации.

Мы будем рассматривать вероятность не как абстрактное число в диапазоне от 0 до 1 и не как "уверенность модели", а как рабочий инструмент, встроенный в процесс принятия решений. В одном случае вероятность помогает выбрать действие с минимальным ожидаемым риском, в другом – объяснить результат человеку, в третьем – скорректировать уже имеющееся убеждение.

Для наглядности примеры реализованы двумя способами:

• часть кейсов написана на чистом PHP, без использования ML-библиотек;

• часть – с применением RubixML, чтобы показать, как те же идеи выглядят в реальном ML-коде, а не только в теории.

При этом важно несколько принципиальных ограничений:

• RubixML используется минимально – только там, где он помогает сфокусироваться на вероятностной логике, а не на инфраструктуре;

• код написан так, чтобы его можно было читать и понимать без глубокого знания библиотеки;

• каждый кейс завершается смысловым выводом: что именно даёт вероятность в данном сценарии и почему простого "класса с максимальной вероятностью" недостаточно.