Strojové učenie: typy algoritmov, tréning a príklady

Strojové učenie, typy algoritmov a príklady použitia

Strojové učenie je časť umelej inteligencie, pri ktorej sa model neučí tým, že človek ručne zapíše každé rozhodovacie pravidlo. Učí sa zo vzorov v dátach. To však neznamená, že dáta hovoria samy za seba. Človek stále určuje cieľ, vyberá vstupy, pripravuje dáta, nastavuje spôsob hodnotenia a rozhoduje, či je výsledok dostatočne spoľahlivý pre reálne použitie.

Najväčší rozdiel medzi kvalitným a slabým projektom preto zvyčajne nevzniká vo výbere módneho modelu. Vzniká v presnosti otázky, kvalite dát, správnom oddelení tréningu od testovania a v tom, či použitá metrika zodpovedá skutočným následkom chyby.

Čo je strojové učenie

Strojové učenie je súbor metód, ktoré z dát odhadujú model použiteľný na predikciu, klasifikáciu, zoradenie, zhlukovanie, detekciu odchýlok alebo inú jasne definovanú úlohu. Model je formálne vyjadrenie vzťahu medzi vstupnými premennými a výsledkom. Neobsahuje celý svet, iba tie pravidelnosti, ktoré dokázal zachytiť z dostupných dát a zvoleného spôsobu učenia.

Ak systém odhaduje cenu bytu, vstupmi môžu byť výmera, lokalita, stav a vybavenie. Výstupom je číselný odhad ceny. Ak systém rozpoznáva podvodnú transakciu, vstupom sú znaky transakcie a výstupom môže byť pravdepodobnosť podvodu alebo trieda rizika. V oboch prípadoch model vytvára generalizáciu, teda pravidlo použiteľné aj na nové prípady, ktoré v tréningových dátach neboli.

Práve generalizácia je podstatou. Model, ktorý iba dokonale zopakuje tréningové dáta, môže byť v praxi bezcenný. Dokumentácia scikit-learn upozorňuje, že testovať model na rovnakých dátach, na ktorých sa učil, je metodická chyba. Model môže dosiahnuť perfektné skóre a pritom zlyhať na nových prípadoch. Tento stav sa označuje ako overfitting. [3]

Ako funguje strojové učenie v jednom celku

Proces sa začína skôr, než vznikne prvý riadok kódu. Organizácia musí presne pomenovať rozhodnutie, ktoré chce podporiť, a chybu, ktorú chce znížiť. Až potom dáva zmysel riešiť dáta, algoritmy a výpočtový výkon.

Schéma 1: Životný cyklus modelu strojového učenia. Ide o riadený cyklus, nie jednorazový technický výstup.

1. Problém a cieľ

Najprv treba určiť, čo sa má predpovedať alebo rozpoznať, kto výsledok použije a čo sa stane pri chybe. Veta „chceme využiť AI v predaji“ nie je zadanie pre model. Použiteľné zadanie znie napríklad: „chceme v pondelok ráno odhadnúť pravdepodobnosť, že zákazník do 30 dní ukončí službu, aby retenčný tím vedel zoradiť prípady na kontaktovanie“.

Takto formulovaný cieľ určuje čas predikcie, horizont výsledku, dostupné vstupy aj spôsob merania. Zároveň odhaľuje, že model nie je konečným cieľom. Je súčasťou rozhodovacieho procesu, v ktorom má jeho výstup konkrétneho používateľa.

2. Dáta a ich význam

Dataset je súbor príkladov. Každý riadok spravidla predstavuje pozorovanie, napríklad zákazníka, transakciu, výrobok alebo meranie. Stĺpce predstavujú znaky, často označované ako features. Pri supervised learning obsahuje dataset aj cieľovú premennú, teda label alebo target.

Dáta nie sú neutrálne. Vznikli v konkrétnom procese. Ak historické údaje zachytávajú neúplné merania, rozdielne pracovné postupy alebo staré pravidlá, model sa učí aj tieto obmedzenia. Preto nestačí skontrolovať prázdne bunky. Treba poznať pôvod dát, význam stĺpcov, čas vzniku, spôsob označovania a to, či sú tréningové príklady podobné budúcim prípadom.

3. Rozdelenie dát a príprava

Dáta sa obvykle rozdelia na tréningovú, validačnú a testovaciu časť. Tréningová množina slúži na učenie parametrov. Validácia pomáha vybrať hyperparametre a porovnať varianty. Testovacia množina zostáva bokom až do konečného hodnotenia.

Pri menších datasetoch sa často používa krížová validácia. Model sa opakovane trénuje na rôznych častiach dát a hodnotí na zostávajúcej časti. Výsledkom nie je iba jedno skóre, ale odhad stability výkonu naprieč rozdeleniami. Klasické metódy však predpokladajú nezávislé pozorovania. Pri časových radoch, opakovaných meraniach rovnakých ľudí alebo dátach z viacerých pobočiek treba použiť delenie, ktoré rešpektuje čas alebo skupiny. [3]

4. Tréning a ladenie

Počas tréningu algoritmus nastavuje parametre modelu tak, aby znižoval zvolenú chybu. Pri lineárnej regresii odhaduje koeficienty. Pri rozhodovacom strome vyberá otázky, ktoré rozdeľujú dáta. Pri neurónovej sieti upravuje veľké množstvo váh.

Hyperparametre sa nenaučia priamo rovnakým spôsobom. Určuje ich človek alebo proces ladenia. Patrí sem napríklad maximálna hĺbka stromu, počet susedov pri k-NN, sila regularizácie alebo počet zhlukov pri k-means. Ich výber musí prebiehať na validačných dátach, nie na konečnom teste.

5. Test a rozhodnutie

Testovacie skóre nie je pečiatka všeobecnej kvality. Platí iba pre konkrétny dataset, rozdelenie, cieľ a metriku. Organizácia musí posúdiť aj chyby jednotlivých skupín, stabilitu, náklady omylov a prevádzkové limity. Model s vyššou priemernou presnosťou môže byť horší, ak robí nebezpečnejší typ chyby.

6. Nasadenie, monitoring a spätná väzba

Po nasadení sa mení prostredie, správanie ľudí aj kvalita vstupov. Model preto potrebuje monitoring dát, predikcií, chýb, dostupnosti a reálneho obchodného výsledku. Ak sa zmení rozdelenie vstupov alebo vzťah medzi vstupom a cieľom, výkon môže klesnúť bez viditeľnej technickej poruchy.

Spoľahlivý proces preto určuje, kto sleduje výsledky, pri akej odchýlke sa model vypne, kedy sa znovu trénuje a ako sa uchovávajú verzie dát, kódu a modelu. NIST odporúča riešiť validitu, spoľahlivosť, bezpečnosť, transparentnosť, vysvetliteľnosť, súkromie a férovosť počas celého životného cyklu systému. [7]

Typy strojového učenia

Najčastejšie delenie vychádza z toho, akú spätnú informáciu má model počas učenia. V praxi sa hranice môžu prelínať, no základné rozlíšenie pomáha pochopiť, aké dáta sú potrebné a aký druh výsledku možno očakávať.

Tabuľka 1: Základné typy strojového učenia podľa dostupnej spätnej informácie.

Supervised learning, učenie so známym výsledkom

Pri supervised learning má každý tréningový príklad vstup a známy správny výsledok. Model sa učí vzťah medzi nimi. Cieľom nie je zopakovať minulosť, ale predpovedať výsledok pre nové pozorovanie.

Klasifikácia

Klasifikácia priraďuje prípad do triedy. Môže rozlíšiť podvodnú a legitímnu transakciu, spam a bežný e-mail, poškodený a vyhovujúci výrobok alebo viacero typov dokumentov. Výstupom nemusí byť iba konečná trieda. Model môže vytvoriť pravdepodobnosť, ktorú organizácia premení na rozhodnutie pomocou prahu.

Prahová hodnota je prevádzkové rozhodnutie. Ak banka zníži prah pre upozornenie na podvod, zachytí viac skutočných podvodov, ale zároveň preverí viac legitímnych transakcií. Model preto nemožno hodnotiť oddelene od nákladov falošného poplachu a prehliadnutého prípadu.

Regresia

Regresia predpovedá číselnú hodnotu. Môže odhadovať cenu, spotrebu, dopyt, čas doručenia alebo zostávajúcu životnosť zariadenia. Výsledok nie je presná budúcnosť. Je to odhad podmienený dostupnými vstupmi, tréningovým obdobím a predpokladom, že budúce vzťahy zostanú dostatočne podobné minulým.

Pri regresii je dôležité sledovať nielen priemernú chybu, ale aj jej rozdelenie. Model môže byť v priemere dobrý a pritom pravidelne zlyhávať pri drahých, zriedkavých alebo extrémnych prípadoch.

Unsupervised learning, hľadanie štruktúry bez štítkov

Pri unsupervised learning model nedostáva správne odpovede. Hľadá podobnosti, skupiny, smery variability alebo neobvyklé pozorovania. Výsledok preto nie je automaticky objektívnym obrazom reality. Závisí od zvolených znakov, mierky, vzdialenosti a algoritmu.

Zhlukovanie

Zhlukovanie spája podobné pozorovania. K-means hľadá zadaný počet zhlukov tak, aby boli body blízko svojich centier. Hierarchické metódy vytvárajú strom podobností. DBSCAN hľadá husté oblasti a dokáže označiť izolované body ako šum.

Zhluk nie je automaticky zákaznícky segment s obchodným významom. Model môže oddeliť skupiny podľa technicky dominantného znaku, ktorý je pre firmu nepodstatný. Preto treba výsledok interpretovať, testovať stabilitu a porovnať ho s reálnym správaním. Silhouette coefficient sa pohybuje od -1 do 1. Hodnoty blízko 1 naznačujú lepšie oddelenie, hodnoty okolo 0 prekryv a záporné hodnoty možné nesprávne zaradenie. [5]

Redukcia rozmerov

Redukcia rozmerov zjednodušuje veľké množstvo znakov do menšieho počtu komponentov alebo reprezentácií. PCA hľadá smery s vysokou variabilitou. Metódy ako t-SNE alebo UMAP sa často používajú na vizualizáciu komplexných dát, no dvojrozmerný obrázok môže skresliť globálne vzdialenosti. Pekne oddelené ostrovy preto nie sú automaticky dôkazom prirodzených tried.

Detekcia anomálií

Detekcia anomálií hľadá neobvyklé prípady. Môže upozorniť na poruchu, podvod alebo chybu merania. Neobvyklosť však nie je synonymom škodlivosti. Nový legitímny typ správania môže vyzerať ako anomália a známy podvod môže byť podobný bežným transakciám.

Najčastejšie algoritmy strojového učenia

Algoritmus sa nemá vyberať podľa popularity. Rozhoduje typ cieľa, množstvo a kvalita dát, nelinearita vzťahov, potreba vysvetlenia, rýchlosť inferencie, náklady na údržbu a následky chyby. Jednoduchší model je často lepším začiatkom, pretože vytvára základnú úroveň, voči ktorej možno merať prínos zložitejšieho riešenia.

Tabuľka 2: Praktický výber bežných algoritmov. Žiadny algoritmus nie je univerzálne najlepší.

Tréning modelu, čo sa v skutočnosti učí

Model má parametre a hyperparametre. Parametre vznikajú počas tréningu. Pri lineárnom modeli sú to koeficienty, pri neurónovej sieti váhy, pri strome rozdelenia. Hyperparametre určujú podobu učenia, napríklad hĺbku stromu, regularizáciu alebo počet zhlukov.

Tréning optimalizuje zvolenú loss function, teda funkciu straty. Tá prevádza chybu na číslo. Pri regresii môže penalizovať rozdiel medzi skutočnou a predpovedanou hodnotou. Pri klasifikácii môže penalizovať nesprávne pravdepodobnosti. Výber funkcie straty ovplyvňuje, čo model považuje za dôležitú chybu.

Optimalizácia nie je automaticky zhodná s cieľom organizácie. Model môže znižovať priemernú chybu, zatiaľ čo firma potrebuje minimalizovať extrémne chyby. Môže maximalizovať pravdepodobnosť kliknutia, hoci skutočným cieľom je zisk alebo dlhodobá spokojnosť. Preto treba technický cieľ prepojiť s rozhodnutím a následkom.

Overfitting a underfitting

Underfitting nastáva, keď je model príliš jednoduchý alebo sa neučil dostatočne. Nezachytí ani stabilné vzory a dosahuje slabé výsledky na tréningových aj nových dátach. Overfitting nastáva, keď model zachytí aj náhodný šum a špecifiká tréningovej množiny. Tréningové skóre rastie, ale výkon na nových dátach stagnuje alebo klesá.

Rozhodovací strom ukazuje tento problém veľmi názorne. S rastúcou hĺbkou môže vytvárať stále jemnejšie pravidlá. Napokon dokáže tréningové prípady rozdeliť takmer dokonale. To však neznamená, že objavil lepšiu zákonitosť. Mohol iba vytvoriť množstvo pravidiel, ktoré sú príliš viazané na konkrétne dáta.

Graf 1: Reprodukovateľná ukážka overfittingu. Dataset Breast Cancer Wisconsin obsahuje 569 prípadov, 30 číselných znakov a dve triedy. Po oddelení 20 % dát na test sa hĺbka stromu vyberala 5-násobnou stratifikovanou validáciou na tréningovej časti. Tréningová presnosť dosiahla pri hĺbke 7 hodnotu 1,00, validačné skóre však bolo nižšie než pri jednoduchšom strome. Najvyššia priemerná validácia bola pri hĺbke 2, konečná presnosť na oddelenom teste bola 0,895. Výsledok je didaktická ukážka jedného konkrétneho rozdelenia, nie medicínske tvrdenie ani benchmark pre klinické použitie.

V experimente mala hĺbka 2 najvyššiu priemernú validačnú presnosť. Hlbšie stromy dosiahli na tréningových dátach až 100 %, no validačný výkon sa nezlepšil. To je presne situácia, v ktorej technicky pôsobivý tréningový výsledok zakrýva slabšiu generalizáciu. [6]

Overfitting sa obmedzuje jednoduchším modelom, regularizáciou, väčším množstvom kvalitných dát, odstránením úniku informácií, správnou validáciou, pruningom stromu, early stoppingom alebo znížením počtu znakov. Neexistuje však univerzálny recept. Najprv treba zistiť, či je problém skutočne v zložitosti modelu, alebo v nekvalitných dátach a nesprávnom experimente.

Validácia modelu bez sebaklamu

Validácia odpovedá na otázku, ako sa model pravdepodobne zachová na nových dátach. Neodpovedá na ňu dokonale, pretože budúcnosť môže byť iná než dostupná vzorka. Dobrý validačný návrh však oddeľuje učenie od hodnotenia a napodobňuje spôsob, akým bude model používaný.

Tréningová, validačná a testovacia množina

Tréningová množina sa používa na učenie parametrov. Validácia na výber algoritmu, hyperparametrov, znakov a prahu. Test sa použije až po uzavretí výberu. Ak sa výsledok testu opakovane používa na úpravy modelu, test sa postupne mení na validačnú množinu a jeho nestrannosť sa stráca.

Krížová validácia

Pri k-násobnej krížovej validácii sa dáta rozdelia na k častí. Model sa k-krát trénuje, vždy na k mínus jednej časti, a hodnotí na zostávajúcej. Pri klasifikácii sa často používa stratifikované delenie, ktoré približne zachováva podiel tried. Výsledkom je priemer a rozptyl skóre, nie iba jedno číslo.

Náhodná krížová validácia nie je vhodná pre každý problém. Pri časových radoch by mohla nechať model učiť sa z budúcnosti a testovať na minulosti. Pri viacerých záznamoch jedného pacienta alebo zákazníka môže rovnaká osoba skončiť v tréningu aj validácii. Potom model využije podobnosť identity a výsledok je neprirodzene optimistický.

Data leakage, únik informácií

Data leakage vzniká, keď sa do tréningu dostane informácia, ktorá v okamihu reálnej predikcie nebude dostupná, alebo keď testovacie dáta ovplyvnia prípravu modelu. Výsledkom býva výborné experimentálne skóre a slabá produkcia.

Typickým príkladom je škálovanie alebo výber znakov na celom datasete ešte pred rozdelením. Priemer, rozptyl alebo informácia o dôležitosti znakov potom obsahujú aj poznatky z testu. Scikit-learn odporúča najprv oddeliť tréning a test, všetky transformačné kroky učiť iba na tréningu a používať pipeline, ktorá rovnaký postup bezpečne aplikuje na nové dáta. [4]

Ďalším príkladom je predikcia hospitalizácie pomocou znaku, ktorý vznikne až po hospitalizácii. Model môže byť presný, pretože dostal odpoveď ukrytú vo vstupe. V produkcii však taký znak v čase rozhodnutia neexistuje.

Metriky, prečo jedna presnosť nestačí

Metrika musí zodpovedať typu úlohy, distribúcii dát a cene chyby. Accuracy je podiel správnych klasifikácií. Pri nevyvážených triedach môže klamať. Ak je iba 1 % transakcií podvodných, model, ktorý vždy povie „bez podvodu“, dosiahne 99 % accuracy a nezachytí ani jeden podvod.

Tabuľka 3: Metriky treba vyberať podľa následkov chýb, nie podľa zvyku alebo najvyššieho čísla.

Prahová hodnota patrí k modelu rovnako ako metrika. Klasifikátor môže vytvárať pravdepodobnosť a organizácia rozhodne, od akej hodnoty vykoná zásah. Zmena prahu mení precision, recall aj počet prípadov, ktoré musí spracovať človek. Správny prah preto vychádza z kapacity procesu a ceny omylu, nie z automatickej hodnoty 0,5.

Príklady strojového učenia z praxe

Predikcia odchodu zákazníka

Telekomunikačná alebo predplatiteľská firma môže vytvoriť klasifikačný model, ktorý odhaduje pravdepodobnosť ukončenia služby. Vstupmi môžu byť dĺžka vzťahu, zmeny používania, reklamácie a platobná história. Výstup nemá byť automatické rozhodnutie o zákazníkovi. Má pomôcť zoradiť prípady, pri ktorých dáva zmysel vhodná retenčná ponuka alebo ľudský kontakt.

Kritickým rizikom je spätná väzba. Ak firma kontaktuje iba zákazníkov s vysokým skóre a časť z nich zachráni, budúce dáta už neukazujú, čo by sa stalo bez zásahu. Model potom mieša prirodzený výsledok s účinkom kampane. Na meranie reálneho prínosu treba experimentálny alebo kauzálny dizajn, nie iba predikčnú presnosť.

Prediktívna údržba

Model môže spracúvať vibrácie, teplotu, zvuk a prevádzkové režimy zariadenia. Regresia odhaduje zostávajúcu životnosť, klasifikácia pravdepodobnosť poruchy a detekcia anomálií upozorňuje na neobvyklý stav. Najväčším problémom býva málo skutočných porúch, zmeny senzorov a rozdiel medzi zariadeniami.

Hodnota modelu sa nemeria iba presnosťou. Dôležité je, či upozornenie prichádza dostatočne skoro, koľko zbytočných kontrol vyvolá a či servisný tím dokáže reagovať. Predikcia bez nadväzujúceho procesu nevytvára úsporu.

Odhad dopytu

Regresný model môže spájať históriu predaja, sezónnosť, cenu, promo aktivity, dostupnosť a externé faktory. Výstup pomáha plánovať zásoby a kapacitu. Model však často zlyháva pri udalostiach bez historického precedensu, pri zmene sortimentu alebo vtedy, keď minulé predaje boli obmedzené nedostatkom zásob.

Nulový predaj nemusí znamenať nulový dopyt. Môže znamenať, že produkt nebol dostupný. Ak dataset tento rozdiel nezachytí, model sa naučí nesprávny vzťah.

Segmentácia zákazníkov

Unsupervised clustering môže nájsť skupiny zákazníkov s podobným správaním. Výsledok je užitočný až po interpretácii. Segmenty musia byť stabilné, obchodne odlišné, merateľné a použiteľné v kampani alebo službe. Ak sa skupiny líšia iba v technickom detaile bez praktického dôsledku, clustering nevytvoril obchodnú hodnotu.

Kontrola kvality

Klasifikačný model môže označovať snímky výrobkov ako vyhovujúce alebo poškodené. Dôležité je zachytiť variabilitu materiálu, osvetlenia, kamier a typov chyby. Dataset s tisíckami podobných snímok jednej výrobnej série môže vyzerať veľký, ale nemusí reprezentovať budúce zmeny.

Ako vybrať prvý projekt strojového učenia

Vhodný prvý projekt má jasne definovaný cieľ, dostatok relevantných dát, merateľnú baseline, bezpečný spôsob testovania a človeka, ktorý výsledok použije. Chyba musí byť zvládnuteľná a proces musí umožniť návrat k pôvodnému postupu.

Nevhodný prvý projekt kombinuje citlivé rozhodnutie, slabé dáta, nejasnú zodpovednosť a očakávanie plnej automatizácie. Ak organizácia nevie opísať, ako dnes meria kvalitu rozhodnutia, nebude vedieť ani preukázať prínos modelu.

Najčastejšie chyby pri strojovom učení

Prvou chybou je začať algoritmom namiesto rozhodnutia. Druhou je považovať veľký dataset za kvalitný bez poznania jeho pôvodu. Treťou je hodnotiť model na dátach, ktoré ovplyvnili tréning alebo výber. Štvrtou je používať jednu metriku bez ceny chyby. Piatou je zameniť predikciu za príčinu.

Model môže zistiť, že určitý znak súvisí s výsledkom. To však neznamená, že zmena tohto znaku výsledok spôsobí. Predikčný model odpovedá na otázku „čo pravdepodobne nastane“, nie automaticky na otázku „čo sa stane, ak zasiahnuť“. Na druhú otázku treba kauzálne metódy, experimenty alebo vhodný výskumný dizajn.

Ďalšou chybou je ignorovať prevádzku. Model môže byť kvalitný v notebooku a nepoužiteľný v procese pre chýbajúce dáta, oneskorenie, zmenu formátu alebo nedostatočnú kapacitu tímu. Produkčný systém musí kontrolovať vstupy, verzie, logy, bezpečnosť, výkon a možnosť zásahu.

FAQ

Ako funguje strojové učenie jednoducho?

Model dostane príklady, z ktorých odhaduje vzťah medzi vstupmi a výsledkom alebo vnútornú štruktúru dát. Po tréningu sa hodnotí na prípadoch, ktoré nevidel. Ak výkon a riziká zodpovedajú účelu, model možno kontrolovane nasadiť a monitorovať.

Aký je rozdiel medzi supervised a unsupervised learning?

Supervised learning používa tréningové príklady so známym správnym výsledkom. Unsupervised learning pracuje bez takýchto štítkov a hľadá štruktúru, podobnosť alebo odchýlky. Supervised model možno hodnotiť porovnaním predikcie so známou pravdou. Pri unsupervised výsledku je väčší dôraz na stabilitu, interpretáciu a praktickú užitočnosť.

Čo je validácia modelu?

Validácia je odhad výkonu na nových dátach počas vývoja. Pomáha vybrať model a hyperparametre bez použitia konečného testu. Správny spôsob validácie musí napodobniť budúce použitie, rešpektovať čas, skupiny a dostupnosť informácií.

Čo je overfitting?

Overfitting znamená, že model sa prispôsobil tréningovým dátam vrátane šumu a náhodných zvláštností. Na tréningu je výborný, no na nových prípadoch sa nezlepšuje alebo sa zhoršuje. Riešením môže byť jednoduchší model, regularizácia, kvalitnejšie dáta a prísnejšia validácia.

Ktorý algoritmus strojového učenia je najlepší?

Univerzálne najlepší algoritmus neexistuje. Výber závisí od typu cieľa, množstva dát, kvality znakov, nelinearity, potreby vysvetlenia, rýchlosti, nákladov a rizika. Rozumný postup začína jednoduchou baseline a pridáva zložitosť iba vtedy, keď prináša preukázateľné zlepšenie.

Koľko dát potrebuje model?

Neexistuje jedno číslo. Potreba dát závisí od zložitosti problému, počtu znakov, šumu, nerovnováhy tried a požadovanej spoľahlivosti. Tisíce takmer rovnakých príkladov môžu byť menej hodnotné než menší, ale reprezentatívny dataset pokrývajúci dôležité situácie.

Záver

Strojové učenie nie je súťaž o najkomplexnejší algoritmus. Je to disciplína, ktorá spája presne formulovaný problém, význam dát, experimentálnu poctivosť, meranie chýb a zodpovedné rozhodovanie. Model má hodnotu iba vtedy, keď sa jeho výkon prenesie z tréningového prostredia do reality.

Klasifikácia a regresia pomáhajú predpovedať známy typ výsledku. Unsupervised learning odhaľuje štruktúru bez štítkov. Validácia oddeľuje učenie od hodnotenia. Metriky prekladajú chybu do čísel, no musia zodpovedať následkom. Monitoring kontroluje, či model zostáva použiteľný aj po zmene prostredia.

Najdôležitejšia otázka preto neznie „aký model použijeme“. Znie: „aké rozhodnutie má byť lepšie, akú chybu si môžeme dovoliť a aký dôkaz budeme považovať za dostatočný“. Až potom sa strojové učenie mení z technickej ukážky na spoľahlivý nástroj praxe.

Metodická poznámka ku grafu

Graf overfittingu bol vytvorený lokálne v prostredí Python so scikit-learn 1.8.0. Použitý bol verejný dataset Breast Cancer Wisconsin Diagnostic, 569 vzoriek, 30 číselných znakov, dve triedy. Dáta sa rozdelili stratifikovane v pomere 80 % tréning a 20 % test, random_state 42. Na tréningovej časti sa pre hĺbky 1 až 15 vykonala 5-násobná StratifiedKFold validácia so shuffle a random_state 42. Vybraná bola hĺbka 2, konečná presnosť na oddelenom teste bola 0.895. Výsledok slúži iba na vysvetlenie metodiky a nemožno ho používať na klinické rozhodovanie.

Použité zdroje

[1] scikit-learn User Guide, supervised learning, unsupervised learning, model selection and evaluation. Prístup 3. augusta 2026.

[2] scikit-learn, Cross-validation: evaluating estimator performance. Prístup 3. augusta 2026.

[3] scikit-learn, Common pitfalls and recommended practices, data leakage and inconsistent preprocessing. Prístup 3. augusta 2026.

[4] scikit-learn, Metrics and scoring: quantifying the quality of predictions. Prístup 3. augusta 2026.

[5] scikit-learn, Selecting the number of clusters with silhouette analysis on KMeans clustering. Prístup 3. augusta 2026.

[6] scikit-learn, Breast Cancer Wisconsin Diagnostic dataset documentation. Prístup 3. augusta 2026.

[7] NIST, Artificial Intelligence Risk Management Framework 1.0. Prístup 3. augusta 2026.