Практические кейсы
Эта глава сознательно не посвящена обучению моделей, выбору алгоритмов или тонкой настройке гиперпараметров. Мы будем считать, что наша модель уже существует и умеет выдавать вероятностный результат. Нас интересует не то, 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 практическую роль на этапе использования 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 субъективную "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 учитывать несколько принципиальных ограничений. RubixML используется минимально – только там, где он помогает сосредоточиться на вероятностной логике, а не на инфраструктуре. Код написан так, чтобы его можно было читать и понимать без глубокого знания библиотеки. Каждый кейс завершается выводом: что именно даёт вероятность в данном сценарии и почему простого выбора "класса с максимальной вероятностью" недостаточно.
Далее – сами кейсы.
Кейс 1. Фильтр спама: вероятность ≠ решение Как порог и цена ошибки превращают вероятность в действие
Дополнительные материалы доступны в PRO версии книги
Кейсы:
🔒 Кейс 2. Медицинский тест: обновление уверенности (Байес) Почему редкие события ломают интуицию и как учитывать базовую вероятность
🔒 Кейс 3. Многоклассовая классификация и softmax Как модель распределяет уверенность между несколькими вариантами
🔒 Кейс 4. Переуверенная модель как сигнал проблемы Почему слишком высокая уверенность может указывать на ошибки в модели
🔒 Кейс 5. Обновление уверенности при новых данных Как новая информация меняет оценку вероятности
В PRO версии вы получите:
пошаговое объяснение для каждого кейса
примеры кода на чистом PHP и с использованием библиотек ML
объяснение практического применения методов машинного обучения
Практические кейсы показывают, как применять методы машинного обучения для решения реальных задач PHP-разработчика.
Получить доступ к PRO кейсам
Безопасная оплата через PayPal
После оплаты вы получите ссылку на PRO материалы.
Last updated