下载掌阅APP，畅读海量书库
立即打开
假设在人工智能研究中，我们通过对大量数据的分析获得了一些好的结果，我们不得不说，这样的结果只是基于给定的数据获得的好结果而已。
在现实中，在许多情况下，这样的结果对于其他领域的数据未必适用。但是， 如果我们能够简化处理内容，立足本质，也有可能实现这样的结果的广泛应用。
这种从数据中获得的见解的本质被称为“ 模型 ”。例如，当各位登山时就会体验到，如果海拔升高，气温就会下降。我们实际获取数据后，可以制作像图1-19那样的图。如图所示，数据分布形成一条左高右低的直线。此直线的表达式本身不能用于其他数据，但有许多其他关系同样可以以直线来表示。人们从广义的角度，将这种直线关系称为“线性模型”。通过创建模型，我们就可以描述其背后的关系。
创建模型并将其应用于观测到的数据来理解现象的方法被称为“ 建模 ”。仅仅通过查看数据得不到任何收获的时候，我们可以通过使用图形等方式实现数据可视化，对未知的结果进行预测，从而获得有用的信息。
此时，针对相同的数据，根据分析人员创建、使用的模型不同，解释、用法也会不同。世上没有绝对正确的模型，分析人员如何选择模型具有重要意义。
在现实生活中，全世界的研究人员已经开发出了多种多样的模型，分析人员通常会从中选择适合自己的研究课题的模型，再加以修改、微调之后进行使用（图1-20）。
图1-19 伴随海拔升高气温逐渐下降的数据及其关联性的实例
图1-20 建模的流程
要点
人们从数据中获得的见解的本质被称为“模型”，人们通过创建模型就可能对各种关系做出解释。
通过创建模型并将其应用于观测到的数据来把握各种现象的方法被称为“建模”。