A modell egy tanult közelítés. Bemenetet fogad, matematikai transzformációt alkalmaz, és kimenetet állít elő. A transzformációt a betanítás alakítja, és a minőségét az ítéli meg, hogy mennyire jól általánosítható új adatokra.

A modellek sokféle formában léteznek. A lineáris regresszió egyenesre illeszthető. A döntési fák rekurzívan osztják fel az adatokat. A neurális hálózatok tanult függvények rétegeit alkotják. Mindegyiknek vannak erősségei, gyengeségei és az adatokkal kapcsolatos feltételezései.

Mi határozza meg a modellt

• Architektúra és paraméterek száma
• Képzési eljárás és cél
• Beviteli és kiviteli formátum
• Teljesítmény a visszatartott adatokon
• Számítási és memóriakövetelmények

Egyetlen modell sem abszolút értelemben helyes. Egy modell egy adott feladat, adathalmaz és telepítési kontextus esetében hasznos vagy nem. Ugyanaz az architektúra sikeres lehet az egyik problémán, és kudarcot vallhat egy másikon.