ДНК задачи

Материал из MachineLearning.

Статья написана с использованием LLM GPT-4o и проверена участником Arina Pakalova 21:37, 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 трех 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].

Содержание

1 Структура шаблона
2 Математическая формализация
3 Влияние шаблона на процесс решения
4 Примеры заполнения шаблона
- 4.1 Задача выявления мошеннических транзакций
- 4.2 Задача прогнозирования остаточного срока службы оборудования
5 См. также
6 Литература

Структура шаблона

Дано (Входные данные и ограничения)

Секция описывает информационное пространство, в котором существует задача.

Пространство объектов: Множество $X$ , 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 распределенности (н.о.р., англ. i.i.d.), или данные имеют сложную структуру (например, временные ряды с автокорреляцией, пространственные данные).
Системные ограничения: Аппаратные лимиты (объем оперативной памяти, время инференса), которые задают верхнюю границу сложности допустимых моделей.

Найти (Искомая зависимость)

Секция определяет цель построения модели.

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

Критерий (Функционал качества)

Секция задает математический аппарат для выбора наилучшего алгоритма $a \in \mathcal{A}$ .

Функция потерь (Loss function): Функция $L(a(x), y)$ , оценивающая ошибку одного предсказания. Критерий требует указания её свойств (например, дифференцируемость для применения градиентных методов).
Эмпирический риск (Критерий оптимизации): Функционал $Q(a, X^l) = \frac{1}{l}\sum_{i=1}^{l} L(a(x_i), y_i)$ , который непосредственно минимизируется в процессе обучения на обучающей выборке $X^l$ ^[1].
Внешний критерий (Метрика): Итоговая метрика оценки (например, ROC-AUC, $F_1$ -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: $a^* = \arg\min_{a \in \mathcal{A}} Q(a, X^l) \to \min$ где:

$X^l = \{(x_1, y_1), \dots, (x_l, y_l)\}$ — Дано (выборка);
$\mathcal{A}$ — Найти (семейство допустимых решающих правил);
$Q$ — 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 концептуального дрейфа), он может некорректно применить стандартную кросс-валидацию по K блокам (K-fold cross-validation), что приведет 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), что позволяет применить градиентный спуск для поиска приближенного решения в блоке «Найти»^[1].

Примеры заполнения шаблона

Задача выявления мошеннических транзакций

Дано: $X$ — векторы признаков транзакций (сумма, время, IP-адрес). Выборка не н.о.р. во времени, наблюдается сильный дисбаланс классов (менее 1% фрода). Ограничение: модель должна выдавать ответ менее чем за 50 мс.
Найти: Бинарный классификатор $a: X \to [0, 1]$ , оценивающий вероятность мошенничества (с последующей бинаризацией по порогу).
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: $X$ — многомерные временные ряды показателей датчиков (вибрация, температура). Длина последовательностей варьируется. Данные содержат пропуски из-за сбоя датчиков.
Найти: Функцию регрессии $a: X \to \mathbb{R}_{+}$ , 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

Литература

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

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%94%D0%9D%D0%9A_%D0%B7%D0%B0%D0%B4%D0%B0%D1%87%D0%B8»