Model je naučená aproximace. Přijímá vstup, aplikuje matematickou transformaci a produkuje výstup. Transformace je formována trénováním a její kvalita je posuzována podle toho, jak dobře se zobecňuje na nová data.

Modely se vyskytují v mnoha podobách. Lineární regrese fituje přímku. Rozhodovací stromy rekurzivně rozdělují data. Neuronové sítě se skládají z vrstev naučených funkcí. Každá z nich má silné a slabé stránky a předpoklady ohledně dat.

Co definuje model

• Architektura a počet parametrů
• Postup a cíl školení
• Vstupní a výstupní formát
• Výkon na zadržených datech
• Výpočetní a paměťové požadavky

Žádný model není absolutně správný. Model je užitečný, nebo ne pro konkrétní úlohu, datovou sadu a kontext nasazení. Stejná architektura může uspět v jednom problému a selhat v jiném.