Come imparano
le macchine
Nel machine learning un modello apprende dai dati. Qui studiamo un caso concreto: adattare una retta a un insieme di punti. Introduciamo i dati, la funzione di perdita e la discesa del gradiente, un metodo centrale nell'addestramento delle reti neurali. Nel laboratorio puoi modificare la retta e osservare gli errori.
Nel Capitolo 5 puoi adattare una retta ai punti, poi confrontare la tua scelta con i passi della discesa del gradiente.
Imparare vuol dire ridurre l'errore
Immagina di imparare a fare canestro. Tiri, vedi di quanto hai sbagliato, correggi un pochino la forza, ritiri. Usi il risultato del tiro per correggere quello successivo. È un'analogia utile per molti modelli, non una spiegazione dell'apprendimento umano. Qui studiamo un caso preciso: correggere i parametri di una retta usando un errore numerico.
1) il modello fa una previsione · 2) si misura l'errore rispetto alla risposta giusta · 3) si correggono un po' i parametri per sbagliare meno · 4) si ripete, migliaia o milioni di volte. Se l'ottimizzazione riesce, l'errore sui dati di addestramento diminuisce. Per sapere se il modello è utile servono anche dati nuovi.
Tutto il resto della lezione è dare un nome preciso ai pezzi di questo ciclo: i dati (da cui imparare), la perdita (come misuriamo l'errore) e la discesa del gradiente (come correggiamo).
I dati: caratteristiche ed etichette
Nei dati di addestramento, ogni esempio è descritto da caratteristiche (in inglese features: le informazioni in ingresso) e spesso di un'etichetta (label: la risposta giusta).
| m² | stanze | zona | prezzo (etichetta) |
|---|---|---|---|
| 60 | 2 | centro | 210.000 € |
| 95 | 3 | periferia | 180.000 € |
| 120 | 4 | centro | 390.000 € |
Le prime tre colonne sono le caratteristiche; l'ultima è ciò che vogliamo prevedere. Mostrando tanti esempi come questi, il modello impara la relazione fra caratteristiche e prezzo.
La qualità del modello dipende anche dalla qualità dei dati. Esempi insufficienti, errati o poco rappresentativi possono compromettere il risultato, anche con un algoritmo complesso. Prima di confrontare i modelli, controlla quali casi sono presenti nei dati e come sono stati raccolti.
Addestramento, validazione e test
I dati hanno tre ruoli: imparare i parametri, scegliere fra alternative e valutare il risultato finale. Separarli impedisce di scambiare una buona preparazione sul compito di prova per una buona generalizzazione.
Se usi sempre le stesse domande per preparare e valutare uno studente, misuri anche la familiarità con quelle domande. Nel machine learning scegli modelli e impostazioni sulla validazione; tieni il test separato fino alla valutazione finale. Anche adattare le scelte dopo aver letto il risultato del test significa usarlo nello sviluppo.
La generalizzazione è la capacità di ottenere buoni risultati su dati nuovi. Un errore basso sugli esempi già usati per l'addestramento non basta a dimostrarla. Ci torneremo con l'overfitting.
1. Addestramento
Il modello regola i parametri. Esempio didattico: 60 osservazioni.
2. Validazione
Confronti modelli e impostazioni. Esempio: 20 osservazioni.
3. Test finale
Valuti la soluzione scelta. Esempio: 20 osservazioni tenute da parte.
60/20/20 è un esempio su 100 osservazioni, non una proporzione obbligatoria. Con serie temporali separi passato e futuro; con più misure della stessa persona eviti che la persona compaia in gruppi diversi. La validazione incrociata ripete la valutazione su suddivisioni dei dati di sviluppo, mantenendo il test finale separato.
Per normalizzare le colonne, calcoli medie e scale sui soli dati di addestramento, poi applichi quelle trasformazioni agli altri gruppi. Riferimenti: validazione in scikit-learn e contaminazione dei dati, verificati l’11 ottobre 2026.
La funzione di perdita
Per correggersi, il modello ha bisogno di un numero che dica «quanto sto sbagliando». Questo numero è la funzione di perdita (in inglese loss): più è bassa, meglio è.
Un esempio classico è l'errore quadratico medio (MSE): per ogni punto si prende la differenza fra la previsione e il valore vero, la si eleva al quadrato (così conta sempre in positivo e pesa di più gli errori grossi), e si fa la media.
Prendiamo i tre punti (1, 2), (2, 4), (3, 6), che stanno sulla retta y = 2x. Confrontiamo due modelli:
| modello | previsioni | perdita (MSE) |
|---|---|---|
| y = 1,5·x | 1,5 · 3 · 4,5 | 1,17 |
| y = 2·x | 2 · 4 · 6 | 0,00 |
Con y = 1,5x gli errori sono −0,5, −1 e −1,5. Il MSE vale (0,25 + 1 + 2,25) / 3 = 1,1667. Con y = 2x vale zero su questi tre punti: non è una prova di accuratezza su casi futuri. La perdita guida l’addestramento; la qualità finale si misura su dati indipendenti.
La discesa del gradiente
Sappiamo misurare l'errore. Ma come lo riduciamo? Con la discesa del gradiente, un algoritmo di ottimizzazione molto usato per reti neurali e modelli con una perdita differenziabile. Alberi decisionali e vicini più prossimi usano altre procedure.
Immagina la perdita come una collina e di essere in cima, avvolto dalla nebbia: non vedi il fondovalle, ma senti la pendenza sotto i piedi. Fai un passo nella direzione in cui scende di più, poi ricontrolli, e ripeti. Il gradiente indica la direzione di aumento locale della perdita: ci muoviamo in verso opposto. Con un passo adeguato possiamo ridurla; in generale non è garantito raggiungere il minimo globale.
Nel laboratorio qui sotto vedi la stessa cosa: dei punti e una retta y = m·x + b. Le linee rosse mostrano i residui verticali fra previsione e valore osservato. Il MSE è la media dei loro quadrati, non la somma delle lunghezze. Muovi tu i cursori per abbassare la perdita, poi premi «Adatta» e osserva come la discesa del gradiente aggiorna i parametri.
Premendo «Adatta», il programma usa il gradiente per aggiornare m e b, ripetendo il calcolo per ridurre la perdita. Nell'addestramento di una rete neurale si applica lo stesso principio a un numero molto maggiore di parametri.
Per vedere un solo parametro in azione fissiamo l’intercetta a zero: previsione = m·x. Usiamo (1, 2), (2, 4), (3, 6), partendo da m = 1,5.
- Prevedi: 1,5; 3; 4,5. Il MSE iniziale è 1,1667. Questi passaggi usano soltanto somme e prodotti; la formula del gradiente è fornita, senza richiedere di saperla derivare.
- Calcola la pendenza della perdita: il gradiente rispetto a m è
(2/3) · Σ x·(m·x − y). Il simbolo Σ significa «somma il contributo dei tre punti»: x è l’ingresso, y il valore osservato e m·x la previsione. Qui è (2/3)·[1·(−0,5) + 2·(−1) + 3·(−1,5)] = −4,6667. - Aggiorna: con tasso 0,1, il nuovo m è 1,5 − 0,1·(−4,6667) = 1,9667.
- Ricontrolla: le previsioni diventano circa 1,9667; 3,9333; 5,9. Il MSE scende a circa 0,0052.
Il segno meno nell’aggiornamento è decisivo: un gradiente negativo fa aumentare m. Nel laboratorio si aggiornano sia m sia b, quindi il percorso numerico è diverso da questo esempio con b fisso.
Prova senza formula: riparti da m = 1,5 e usa il gradiente già calcolato, −4,6667, ma con tasso 0,05. Quanto diventa m? Scende la perdita? Controllo: m ≈ 1,7333; le previsioni sono circa 1,7333, 3,4667 e 5,2; il MSE è circa 0,3319. Il passo dimezzato riduce comunque l’errore in questo esempio, ma meno del passo 0,1.
Porta m e b a zero. Per un punto sopra la retta, la previsione è troppo bassa: immagina come cambierà il residuo aumentando b. Poi prova. Infine confronta la perdita iniziale con quella dopo «Adatta»: la riduzione dimostra un miglior adattamento ai punti mostrati, non la generalizzazione.
Il tasso di apprendimento
Quanto grande deve essere ogni «passo» in discesa? Lo decide il tasso di apprendimento (learning rate), ed è una scelta delicata.
Troppo grande
Aggiornamenti troppo grandi possono superare il minimo e far oscillare la perdita, o farla crescere invece di ridurla.
Troppo piccolo
Aggiornamenti molto piccoli riducono lentamente la perdita: possono servire molte iterazioni per ottenere un cambiamento apprezzabile.
Giusto
Un tasso adeguato al problema permette di ridurre la perdita senza oscillazioni eccessive. La scelta si valuta osservando l'addestramento e confrontando i risultati sulla validazione.
Nel laboratorio il tasso è fissato a un valore adatto ai punti mostrati. Nei modelli reali è uno degli iperparametri: impostazioni che scegli per la procedura di addestramento, confrontando le alternative sulla validazione.
Overfitting e underfitting
Ridurre la perdita sui dati di studio non basta: il modello deve funzionare anche sui dati nuovi. Distinguiamo due problemi: underfitting e overfitting.
Underfitting
Modello troppo semplice: non coglie lo schema dei dati (una retta per un andamento curvo). Sbaglia sia sullo studio sia sul test.
Buon adattamento
Il modello descrive relazioni che si ritrovano anche nei dati nuovi, senza adattarsi troppo al rumore degli esempi di addestramento. Questa capacità è la generalizzazione.
Overfitting
Un modello troppo flessibile può adattarsi anche al rumore dei dati di addestramento. L'errore su questi dati è basso, ma le prestazioni sui dati nuovi sono peggiori.
Si possono usare più dati rappresentativi, regolarizzazione e modelli meno flessibili. Durante lo sviluppo controlla la validazione: se la perdita di addestramento scende mentre quella di validazione sale, stai adattando troppo il modello ai dati visti. Il test finale serve dopo le scelte, non per correggerle continuamente.
Nella prossima lezione useremo tutto questo per affrontare l’apprendimento supervisionato, con cui si prevede una categoria o un numero.
Verifica finale
Dieci domande su come imparano le macchine. Rispondi a tutte, poi premi «Correggi». Puoi sempre riprovare.
Le parole chiave
Lezione interattiva · Come imparano le macchine
Il tuo riscontro
Com’è andata questa lezione?
Dimmi cosa è chiaro e dove la spiegazione può migliorare.