4. 模型卡片基础
好，咱们进入正题。模型需求定义这一步，说白了就是回答三个问题：用什么模型？怎么算好？有什么限制？
我见过太多项目，模型选型拍脑袋，指标定义模糊不清，最后上线才发现根本跑不动。嗯，今天咱们就把这块掰开揉碎了讲清楚。
4.1 模型类型选择：分类、回归还是生成？
先问自己一个问题：你的输出是什么？
- 输出是「是/否」或「类别标签」？→ 分类
- 输出是「连续数值」？→ 回归
- 输出是「新内容（文本/图像/音频）」？→ 生成
听起来很简单对吧？但实际项目中经常有人搞混。我遇到过一位产品经理，非要把用户满意度评分（1-5分）当分类问题做，结果模型精度死活上不去。其实这就是典型的回归问题——分数是连续的，不是离散的类别。
核心判断原则：
- 分类：输出空间是有限离散集合（如：猫/狗/鸟）
- 回归：输出空间是连续实数区间（如：房价、温度）
- 生成：输出是全新数据样本（如：写文章、画图）
你想想看，如果业务需求是「预测明天会不会下雨」，那就是二分类。如果需求是「预测明天降水量是多少毫米」，那就是回归。千万别搞混。
4.2 性能指标：准确率、召回率、F1 到底怎么选？
指标选不对，模型白训练。我刚开始做 AI 时也踩过这个坑——只看准确率，结果模型把所有人都预测为「正常」，准确率 95%，但一个病人都没查出来。这能叫好模型吗？
4.2.1 混淆矩阵：一切指标的基础
先看这张图，所有指标都从这里来：
4.2.2 三大核心指标详解
| 指标 | 公式 | 关注点 | 适用场景 |
|---|---|---|---|
| 准确率（Accuracy） | (TP+TN)/(TP+TN+FP+FN) | 整体预测正确比例 | 正负样本均衡时 |
| 精确率（Precision） | TP/(TP+FP) | 预测为正的样本中，有多少是真的正 | 垃圾邮件过滤（误判代价高） |
| 召回率（Recall） | TP/(TP+FN) | 实际为正的样本中，有多少被找出来了 | 癌症筛查（漏诊代价高） |
| F1 分数 | 2×P×R/(P+R) | 精确率和召回率的调和平均 | 需要平衡两者时 |
我的经验之谈：
别死磕 F1。如果业务场景中精确率和召回率的权重不一样，用 Fβ 分数 更合适。β>1 时更看重召回率，β<1 时更看重精确率。我曾经在反欺诈项目中把 β 设为 2，因为漏掉一笔欺诈交易的损失远大于误判一笔正常交易。
4.2.3 回归任务的指标
回归任务常用的指标有这些：
- MAE（平均绝对误差）：直观，单位与原始数据一致
- MSE（均方误差）：对大误差惩罚更重
- RMSE（均方根误差）：单位与原始数据一致，且对大误差敏感
- R²（决定系数）：模型解释了多少方差，范围 [0,1]
我个人习惯在项目初期用 MAE，因为它好解释。跟业务方沟通时，你说「预测房价平均偏差 5 万」比「MSE 是 2500 万²」要直观得多。
4.3 约束条件：别忘了「能不能跑」
模型再准，跑不动也是白搭。约束条件通常包括这几类：
4.3.1 性能约束
- 推理延迟：线上服务要求 <100ms？还是可以接受 5 秒？
- 吞吐量：每秒需要处理多少请求？
- 内存/显存：模型能占多大空间？
4.3.2 数据约束
- 标注成本：有多少标注数据？能承受多少人工标注？
- 数据分布：训练集和线上数据分布是否一致？
- 隐私合规：数据能否出域？是否需要联邦学习？
4.3.3 业务约束
- 可解释性：是否需要解释为什么做出这个预测？（金融、医疗场景常见）
- 公平性：模型是否对不同群体有偏见？
- 鲁棒性：对抗样本下是否还能正常工作？
避坑指南：
我曾经在一个智能客服项目中，选了一个超大模型（BERT-large），离线评测准确率 92%。结果上线后发现单次推理需要 1.2 秒，用户等得直接关页面。最后不得不换成 DistilBERT，准确率降到 88%，但延迟只有 80ms。用户满意度反而提升了。
所以记住：约束条件要在模型选型之前就明确，而不是等模型训练完了再考虑部署问题。
4.4 综合决策框架
把上面这些串起来，我一般用这个流程：
这个流程走下来，模型需求定义就清晰了。说白了，就是先想清楚要什么，再想怎么衡量，最后看能不能落地。
总结一下本章要点：
- 模型类型由输出空间决定：分类、回归、生成
- 指标选择要匹配业务目标：别只看准确率
- 约束条件要在选型前明确：性能、数据、业务三方面都要考虑
- 用决策框架把需求系统化，避免拍脑袋