ДНК задачи

Материал из MachineLearning.

Версия 17:30, 24 июня 2026

Статья написана с использованием LLM GPT-4o и проверена участником Arina Pakalova 21:30, 24 июня 2026 (MSD)

ДНК задачи (аббревиатура от Дано — Найти — Критерий) — это мнемоническое правило и базовый математический шаблон, используемый для строгой формализации задач в машинном обучении. Шаблон требует точного описания трёх компонент: исходных данных, искомой математической зависимости и функционала, по которому будет оцениваться качество решения.

Использование шаблона ДНК позволяет систематизировать постановку задачи до начала написания кода или выбора конкретных алгоритмов, исключая логические пробелы и некорректные сравнения моделей^[1].

Структура шаблона

Дано (Входные данные и ограничения)

Секция описывает информационное пространство, в котором существует задача.

• Пространство объектов: Множество <math>X</math>, представляющее все возможные описания объектов. В этой же секции фиксируется признаковое пространство: типы признаков (числовые, категориальные, текстовые, графовые) и их масштабы^[1].
• Структура выборки: Характер распределения данных. Фиксируется, выполняется ли предположение о независимости и одинаковой распределённости (н.о.р., англ. i.i.d.), или данные имеют сложную структуру (например, временные ряды с автокорреляцией, пространственные данные).
• Системные ограничения: Аппаратные лимиты (объём оперативной памяти, время инференса), которые задают верхнюю границу сложности допустимых моделей.

Найти (Искомая зависимость)

Секция определяет цель построения модели.

• Пространство ответов: Множество <math>Y</math>, в котором лежат целевые переменные (для обучения с учителем) или структура выходных данных (для обучения без учителя).
• Тип задачи: На основе <math>X</math> и <math>Y</math> определяется математическая формулировка: поиск решающего правила для классификации (отображение <math>X \to \{1, \dots, K\}</math>), регрессия (<math>X \to \mathbb{R}</math>), ранжирование или поиск скрытых структур в <math>X</math> (кластеризация).
• Класс моделей: Семейство алгоритмов <math>\mathcal{A}</math>, в котором ведётся поиск (например, класс линейных моделей или класс деревьев решений).

Критерий (Функционал качества)

Секция задает математический аппарат для выбора наилучшего алгоритма <math>a \in \mathcal{A}</math>.

• Функция потерь (Loss function): Функция <math>L(a(x), y)</math>, оценивающая ошибку одного предсказания. Критерий требует указания её свойств (например, дифференцируемость для применения градиентных методов).
• Эмпирический риск (Критерий оптимизации): Функционал <math>Q(a, X^l) = \frac{1}{l}\sum_{i=1}^{l} L(a(x_i), y_i)</math>, который непосредственно минимизируется в процессе обучения на обучающей выборке <math>X^l</math>^[1]. В некоторых задачах (например, метод опорных векторов) добавляется термин регуляризации.
• Внешний критерий (Метрика): Итоговая метрика оценки (например, ROC-AUC, <math>F_1</math>-мера), по которой результаты будут проверяться на тестовой выборке и представляться заказчику. В корректной формулировке ДНК функции потерь и внешняя метрика могут не совпадать, но должны быть коррелированы.

Математическая формализация

В общем виде шаблон ДНК сводит задачу машинного обучения к стандартной задаче оптимизации:

<math>a^* = \arg \min_{a \in \mathcal{A}} Q(a, X^l)</math>

где:

• <math>X^l = \{(x_1, y_1), \dots, (x_l, y_l)\}</math> — Дано (выборка);
• <math>\mathcal{A}</math> — Найти (семейство допустимых решающих правил);
• <math>Q</math> — Критерий (функционал эмпирического риска)^[1].

Влияние шаблона на процесс решения

Разделение задачи на компоненты ДНК препятствует типичным ошибкам проектирования. Если специалист не зафиксировал в блоке «Дано» нарушение условия н.о.р. (например, наличие дрейфа концепции, англ. concept drift), он может некорректно применить стандартную кросс-валидацию по K блокам (K-fold cross-validation). Это приведёт к утечке данных (data leakage) и завышенной оценке качества модели^[1].

Аналогично, разделение блоков «Найти» и «Критерий» объясняет использование суррогатных функций потерь. В задаче классификации найти точное решение часто вычислительно невозможно (NP-трудная задача), поэтому в блоке «Критерий» вместо пороговой функции потерь используют её гладкую верхнюю оценку (логистическую функцию или hinge loss). Это позволяет применить градиентный спуск для поиска приближённого решения в блоке «Найти»^[1].

Примеры заполнения шаблона

Задача выявления мошеннических транзакций

• Дано: <math>X</math> — векторы признаков транзакций (сумма, время, IP-адрес). Выборка не н.о.р. во времени, наблюдается сильный дисбаланс классов (менее 1% мошеннических транзакций). Ограничение: модель должна выдавать ответ менее чем за 50 мс.
• Найти: Бинарный классификатор <math>a: X \to [0, 1]</math>, выдающий оценку вероятности принадлежности к классу мошенничества.
• Критерий: В качестве функции потерь используется логистическая функция потерь (logistic loss) с весами для компенсации дисбаланса. Внешний критерий — Recall (полнота) при фиксированном значении Precision не ниже 90% (обусловлено бизнес-требованием минимизации ложноположительных срабатываний).

Задача прогнозирования остаточного срока службы оборудования

• Дано: <math>X</math> — многомерные временные ряды показателей датчиков (вибрация, температура). Длина последовательностей варьируется. Данные содержат пропуски из-за сбоя датчиков.
• Найти: Функцию регрессии <math>a: X \to \mathbb{R}_{+}</math>, предсказывающую количество часов до поломки.
• Критерий: Функция потерь — среднеквадратичная ошибка (MSE). Внешний критерий — MAE (средняя абсолютная ошибка), так как она более робастна к выбросам и понятна инженерам.

См. также

• Формализация задачи обучения по прецедентам
• Эмпирический риск
• Функция потерь
• Обучающая выборка
• Переобучение

Литература

1. Воронцов К. В. Математические методы обучения по прецедентам. — М.: МЦНМО, 2018. ^[1]
2. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer. ^[1]
3. Шолле Ф. Глубокое обучение. — М.: МЦНМО, 2018. ^[1]