Baseline model

Baseline model — это простая эталонная модель, которую используют как точку отсчёта при оценке более сложных алгоритмов. Это не «плохая» модель, а намеренно примитивная: например, предсказание среднего значения или самого частого класса. Её главная роль — дать минимальный уровень качества, ниже которого опускаться нельзя.

Зачем это нужно? В машинном обучении легко увлечься сложными нейросетями и забыть, что проблема может решаться тривиально. Baseline показывает, сколько «пользы» вы получаете за свои усилия. Если ваша супермодель лишь на 0,5% точнее, чем предсказание средней цены, то стоит задуматься: а нужна ли такая сложность? Без эталона вы не поймёте, действительно ли ваш алгоритм умный или просто повторяет очевидное.

На интуитивном уровне это похоже на измерение роста: вы не узнаете, высок ли человек, пока не поставите его рядом с дверным косяком. Baseline — это и есть дверной косяк. Он задаёт «нижнюю границу»: любую новую модель следует сравнивать не только с конкурентами, но и с этим простым правилом. Если ваш сложный алгоритм не превосходит baseline, значит, он просто переобучается или запоминает шум.

Представьте, что вы предсказываете цену квартиры. Простейший baseline — это средняя цена по городу. Насколько бы вы ни усложняли модель, сначала нужно убедиться, что она даёт ошибку меньше, чем просто «всегда называть среднее». Если это так — отлично, ваша модель улавливает закономерности. Если нет — вы, возможно, зря усложняете задачу, и достаточно одного числа.

Главная мысль: baseline model — это не конкурент, а компас. Он не даёт готового ответа, но не даёт вам заблудиться в собственных архитектурах, заставляя честно отвечать на вопрос: «А стало ли реально лучше?»