{"id":2594,"date":"2023-01-10T15:34:20","date_gmt":"2023-01-10T14:34:20","guid":{"rendered":"https:\/\/www.gironi.it\/blog\/?p=2594"},"modified":"2026-11-11T11:36:56","modified_gmt":"2026-11-11T10:36:56","slug":"machine-learning-una-guida-per-i-principianti","status":"publish","type":"post","link":"https:\/\/www.gironi.it\/blog\/machine-learning-una-guida-per-i-principianti\/","title":{"rendered":"Capire il machine learning: come funziona, i principali algoritmi e l&#8217;errore da evitare"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">Chiunque lavori con i dati di un sito, prima o poi, si fa una domanda che sa gi\u00e0 di machine learning. Quali pagine nuove porteranno traffico? Quali sessioni finiranno in un acquisto? Quali delle mille query di Search Console parlano della stessa cosa? <br>Sono domande diverse, ma hanno un tratto comune: la risposta non la scriviamo noi, regola per regola. La ricaviamo dagli esempi che abbiamo gi\u00e0.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u00c8 tutto qui, in fondo, il <strong>machine learning<\/strong> (in italiano, apprendimento automatico): un modo di costruire regole a partire dai dati, invece di scriverle a mano. Il nome evoca robot e intelligenze artificiali, ma il cuore \u00e8 statistica, e una buona parte di quello che serve per capirlo l&#8217;abbiamo gi\u00e0 vista su questo blog. <br>In questa introduzione al machine learning mettiamo in ordine i concetti di base, li colleghiamo agli articoli che li trattano uno per uno, e ci fermiamo sull&#8217;idea che fa la differenza fra un modello utile e uno che inganna: <strong>imparare non vuol dire memorizzare<\/strong>.<\/p>\n\n\n\n<!--more-->\n\n\n\n<p class=\"wp-block-paragraph\"><strong>In sintesi:<\/strong> il machine learning costruisce un <strong>modello<\/strong>, cio\u00e8 una regola che trasforma dei dati in ingresso (le caratteristiche di una pagina, di una sessione, di una query) in una previsione o in un raggruppamento. Nell&#8217;apprendimento <strong>supervisionato<\/strong> il modello impara da esempi di cui conosciamo gi\u00e0 la risposta (le pagine che hanno convertito e quelle che no) e serve a prevedere o a classificare; in quello <strong>non supervisionato<\/strong> non ci sono risposte, e il modello cerca strutture nei dati, come gruppi di query simili. Il rischio principale \u00e8 l&#8217;<strong>overfitting<\/strong>: un modello troppo flessibile impara anche il rumore dei dati di addestramento e sbaglia sui dati nuovi. Per questo un modello si valuta sempre su dati che non ha visto durante l&#8217;addestramento.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Di cosa parleremo<\/strong>:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li><a href=\"#modello\">Che cosa sono i modelli di machine learning<\/a><\/li><li><a href=\"#tipi\">Supervisionato e non supervisionato<\/a><\/li><li><a href=\"#overfitting\">Imparare non \u00e8 memorizzare: l&#8217;overfitting<\/a><\/li><li><a href=\"#valutazione\">Come si valuta un modello<\/a><\/li><li><a href=\"#algoritmi\">I principali algoritmi, e dove trovarli sul blog<\/a><\/li><li><a href=\"#fasi\">Le fasi di un progetto<\/a><\/li><li><a href=\"#iniziare\">Come iniziare<\/a><\/li><li><a href=\"#domande-frequenti\">Domande frequenti<\/a><\/li><li><a href=\"#prova-tu\">Prova tu<\/a><\/li><li><a href=\"#per-approfondire\">Per approfondire<\/a><\/li><\/ul>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"modello\">Che cosa sono i modelli di machine learning<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Un modello \u00e8 una regola che collega quello che sappiamo (gli <strong>ingressi<\/strong>, o <em>feature<\/em>, come dicono gli anglosassoni) a quello che vogliamo sapere (l&#8217;<strong>uscita<\/strong>). Facciamo un esempio che conosciamo bene: il CTR di una pagina dipende dalla sua posizione in SERP. Nell&#8217;articolo sul <a href=\"https:\/\/www.gironi.it\/blog\/ctr-atteso-vs-reale\/\">CTR atteso<\/a> abbiamo costruito proprio un modello di questo tipo: una curva che, data la posizione, restituisce il CTR tipico del nostro sito.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Quel modello non l&#8217;abbiamo scritto a mano, decidendo che &#8220;in terza posizione il CTR \u00e8 il 7%&#8221;. Abbiamo scelto la <strong>forma<\/strong> della regola (una curva che scende rapidamente), e poi abbiamo lasciato che fossero i dati a fissarne i <strong>parametri<\/strong>, cio\u00e8 i numeri che la rendono precisa. <strong>\u00c8 esattamente questo che fa un algoritmo di machine learning: sceglie i parametri di una regola in modo che si adatti il pi\u00f9 possibile agli esempi.<\/strong> La <a href=\"https:\/\/www.gironi.it\/blog\/regressione-lineare-semplice\/\">regressione lineare<\/a>, in questo senso, \u00e8 gi\u00e0 machine learning: il pi\u00f9 semplice e il pi\u00f9 trasparente.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Quello che distingue gli algoritmi fra loro \u00e8 soprattutto la flessibilit\u00e0 della regola. Una retta ha due parametri e pu\u00f2 disegnare una forma sola; un albero decisionale o una rete neurale ne hanno moltissimi e possono adattarsi a forme complicatissime. Pi\u00f9 flessibilit\u00e0 vuol dire poter catturare relazioni pi\u00f9 ricche, ma anche, come vedremo, un rischio in pi\u00f9.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"tipi\">Supervisionato e non supervisionato<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La distinzione pi\u00f9 importante riguarda gli esempi da cui il modello impara.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Nell&#8217;<strong>apprendimento supervisionato<\/strong> ogni esempio ha la sua risposta: per ogni sessione passata sappiamo se ha portato a un acquisto, per ogni email se era spam, per ogni pagina quanti clic ha ricevuto. Il modello impara la relazione fra ingressi e risposta, e poi la applica ai casi nuovi. Se la risposta \u00e8 un numero (il CTR, il fatturato) si parla di <strong>regressione<\/strong>; se \u00e8 una categoria (acquista o no, informativa o transazionale) si parla di <strong>classificazione<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Nell&#8217;<strong>apprendimento non supervisionato<\/strong> le risposte non ci sono. Abbiamo solo i dati, e chiediamo al modello di trovarvi una struttura: gruppi di query che si somigliano, poche dimensioni che riassumono molte variabili, osservazioni che non somigliano a nessun&#8217;altra. \u00c8 il caso del <a href=\"https:\/\/www.gironi.it\/blog\/clustering-keyword\/\">clustering delle keyword<\/a> o dell&#8217;<a href=\"https:\/\/www.gironi.it\/blog\/una-introduzione-allanalisi-delle-componenti-principali-pca\/\">analisi delle componenti principali<\/a>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Esiste anche una terza famiglia, l&#8217;<strong>apprendimento per rinforzo<\/strong>, in cui un sistema impara provando azioni e ricevendo ricompense: \u00e8 l&#8217;idea dietro i <a href=\"https:\/\/www.gironi.it\/blog\/multi-armed-bandit-thompson\/\">multi-armed bandit<\/a>, che spostano il traffico verso la variante che rende di pi\u00f9 mentre il test \u00e8 in corso.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"overfitting\">Imparare non \u00e8 memorizzare: l&#8217;overfitting<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Se un modello pi\u00f9 flessibile si adatta meglio ai dati, perch\u00e9 non usare sempre il pi\u00f9 flessibile possibile? Perch\u00e9 adattarsi ai dati di addestramento non \u00e8 lo scopo: lo scopo \u00e8 prevedere bene i dati <strong>nuovi<\/strong>. E un modello troppo flessibile, con pochi dati, impara anche quello che nei dati \u00e8 solo rumore.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Facciamo un esempio. Vogliamo prevedere il CTR di una pagina dalla sua posizione, e abbiamo i dati di sole 20 pagine. Costruiamo modelli di flessibilit\u00e0 crescente: polinomi di grado 1 (una retta), 2, 3 e cos\u00ec via fino a 9. Per ogni modello misuriamo l&#8217;errore tipico due volte: sulle 20 pagine con cui l&#8217;abbiamo addestrato, e su 2.000 pagine nuove che non ha mai visto.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Simulo i dati in R, con un CTR vero che scende come una legge di potenza pi\u00f9 un po&#8217; di rumore, e misuro gli errori:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>set.seed(2026)\nctr_vero &lt;- function(pos) 0.30 * pos^-1\n\nsimula &lt;- function(n) {\n  pos &lt;- runif(n, 1, 15)\n  data.frame(pos = pos, ctr = ctr_vero(pos) * exp(rnorm(n, 0, 0.35)))\n}\naddestramento &lt;- simula(20)     # le pagine che conosciamo\nnuove         &lt;- simula(2000)   # le pagine nuove, che il modello non ha mai visto\n\nerrore &lt;- function(modello, dati) sqrt(mean((dati$ctr - predict(modello, dati))^2))\n\nfor (g in 1:9) {\n  m &lt;- lm(ctr ~ poly(pos, g), data = addestramento)\n  cat(g, round(errore(m, addestramento), 4), round(errore(m, nuove), 4), \"\\n\")\n}<\/code><\/pre>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>grado<\/th><th>errore sui dati di addestramento<\/th><th>errore sui dati nuovi<\/th><\/tr><\/thead><tbody><tr><td>1<\/td><td>0,082<\/td><td>0,068<\/td><\/tr><tr><td>2<\/td><td>0,057<\/td><td>0,057<\/td><\/tr><tr><td>3<\/td><td>0,046<\/td><td><strong>0,044<\/strong><\/td><\/tr><tr><td>4<\/td><td>0,043<\/td><td>0,048<\/td><\/tr><tr><td>5<\/td><td>0,043<\/td><td>0,064<\/td><\/tr><tr><td>6<\/td><td>0,035<\/td><td>0,578<\/td><\/tr><tr><td>7<\/td><td>0,029<\/td><td>0,500<\/td><\/tr><tr><td>8<\/td><td>0,026<\/td><td>0,438<\/td><\/tr><tr><td>9<\/td><td>0,026<\/td><td>0,295<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;errore \u00e8 il RMSE (la radice della media degli errori al quadrato, che pesa di pi\u00f9 gli errori grandi), in unit\u00e0 di CTR: 0,044 vuol dire circa 4,4 punti percentuali. <br>Sui dati di addestramento l&#8217;errore scende sempre: pi\u00f9 il modello \u00e8 flessibile, meglio &#8220;ricorda&#8221; le 20 pagine che ha visto. Sui dati nuovi, invece, l&#8217;errore scende fino al grado 3 e poi risale, fino a esplodere: al grado 6 il RMSE arriva a 58 punti, perch\u00e9 il modello prevede CTR assurdi appena esce dalle situazioni che conosce. <strong>\u00c8 l&#8217;overfitting: il modello ha imparato a memoria il rumore delle 20 pagine invece della relazione che le lega.<\/strong><\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" src=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/11\/ml-overfitting.png\" alt=\"A sinistra, le 20 pagine di addestramento con tre modelli: la retta (grado 1) \u00e8 troppo rigida e non segue la caduta del CTR nelle prime posizioni; il polinomio di grado 3 segue bene la curva vera; quello di grado 9 passa vicino a tutti i punti ma ondeggia in modo assurdo fra l'uno e l'altro. A destra, l'errore al crescere del grado: sui dati di addestramento scende sempre, sui dati nuovi tocca il minimo al grado 3 e poi esplode. La linea tratteggiata \u00e8 l'errore della legge di potenza, il modello con la forma giusta e solo due parametri, che sui dati nuovi batte tutti i polinomi.\"\/><figcaption class=\"wp-element-caption\">A sinistra, le 20 pagine di addestramento con tre modelli: la retta (grado 1) \u00e8 troppo rigida e non segue la caduta del CTR nelle prime posizioni; il polinomio di grado 3 segue bene la curva vera; quello di grado 9 passa vicino a tutti i punti ma ondeggia in modo assurdo fra l&#8217;uno e l&#8217;altro. A destra, l&#8217;errore al crescere del grado: sui dati di addestramento scende sempre, sui dati nuovi tocca il minimo al grado 3 e poi esplode. La linea tratteggiata \u00e8 l&#8217;errore della legge di potenza, il modello con la forma giusta e solo due parametri, che sui dati nuovi batte tutti i polinomi.<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">C&#8217;\u00e8 un dettaglio che vale tutto l&#8217;esempio. Il modello che sui dati nuovi va meglio di tutti non \u00e8 un polinomio, ma la legge di potenza stimata sui logaritmi, con soli due parametri: lo stesso modello dell&#8217;articolo sul CTR atteso. Lo verifico in R:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>m_log &lt;- lm(log(ctr) ~ log(pos), data = addestramento)\ns2    &lt;- summary(m_log)$sigma^2                        # varianza dei residui (scala log)\nprev  &lt;- function(dati) exp(predict(m_log, dati) + s2 \/ 2)   # previsione del CTR medio\nsqrt(mean((addestramento$ctr - prev(addestramento))^2))   # 0,0490\nsqrt(mean((nuove$ctr - prev(nuove))^2))                   # 0,0304<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Sui dati di addestramento sbaglia pi\u00f9 del polinomio di grado 3 (0,049 contro 0,046), ma sui dati nuovi sbaglia molto meno (0,030 contro 0,044). <strong>Un modello con la forma giusta e pochi parametri pu\u00f2 battere un modello flessibile che la forma deve indovinarla dai dati.<\/strong> In questa simulazione succede con un margine netto, e il messaggio vale in generale: quando abbiamo poche osservazioni, conoscere il fenomeno vale pi\u00f9 di qualunque algoritmo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">n.b. il termine <code>s2 \/ 2<\/code> serve perch\u00e9, tornando dai logaritmi con <code>exp()<\/code>, si ottiene il CTR <em>mediano<\/em> di ogni posizione, non quello medio: con errori di questo tipo la media \u00e8 pi\u00f9 alta della mediana di un fattore exp(\u03c3\u00b2\/2): stimato sui nostri dati vale circa 1,085, quello vero della simulazione 1,063. Anche la &#8220;curva vera&#8221; della simulazione, a rigore, \u00e8 il CTR mediano.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;altra cura \u00e8 avere pi\u00f9 dati. Lo verifico in R con un nuovo campione di 200 pagine:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>set.seed(1)\nadd200 &lt;- simula(200)\nm9 &lt;- lm(ctr ~ poly(pos, 9), data = add200)\nerrore(m9, nuove)   # 0,0345<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Con 200 pagine invece di 20, lo stesso polinomio di grado 9 sbaglia sui dati nuovi 0,034, non pi\u00f9 0,295. \u00c8 un solo campione, quindi un&#8217;illustrazione pi\u00f9 che una legge, ma la direzione \u00e8 quella attesa: la flessibilit\u00e0 diventa un problema soprattutto quando i dati sono pochi rispetto ai parametri da stimare.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"valutazione\">Come si valuta un modello<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;esempio contiene la regola d&#8217;oro della valutazione: <strong>un modello si giudica su dati che non ha visto durante l&#8217;addestramento.<\/strong> L&#8217;errore sui dati di addestramento tende a essere ottimista, e tanto pi\u00f9 quanto pi\u00f9 il modello \u00e8 flessibile (in media, non caso per caso: nella nostra tabella, al grado 1, \u00e8 perfino pi\u00f9 alto di quello sui dati nuovi).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Nella pratica i dati disponibili si separano in tre parti, con tre compiti diversi. Sull&#8217;<strong>insieme di addestramento<\/strong> (<em>training set<\/em>) il modello impara. Sull&#8217;<strong>insieme di validazione<\/strong> si confrontano i modelli candidati e si sceglie il migliore: \u00e8 quello che abbiamo fatto nell&#8217;esempio, usando le pagine nuove per scegliere il grado. L&#8217;<strong>insieme di prova<\/strong> (<em>test set<\/em>), infine, resta chiuso in un cassetto fino alla fine e serve solo a misurare quanto sbaglier\u00e0 il modello scelto: se lo usassimo anche per scegliere, la stima tornerebbe ottimista. Quando i dati sono pochi, al posto dell&#8217;insieme di validazione si usa la <strong>validazione incrociata<\/strong> (<em>cross-validation<\/em>): si divide il campione in, diciamo, cinque parti, si addestra il modello su quattro e lo si prova sulla quinta, a rotazione, e si fa la media dei cinque errori.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Due avvertenze. La prima: il modo di misurare l&#8217;errore deve corrispondere al problema. Per un classificatore, una percentuale alta di risposte giuste pu\u00f2 non voler dire niente: se solo il 2% delle sessioni converte, un modello che risponde sempre &#8220;non converte&#8221; ha ragione nel 98% dei casi, e non serve a nulla. <br>La seconda: i dati nuovi su cui il modello lavorer\u00e0 devono somigliare a quelli su cui \u00e8 stato valutato. Un modello addestrato sul traffico di un anno fa pu\u00f2 sbagliare dopo un aggiornamento di Google o un cambio nel modo di misurare: \u00e8 il tema delle <a href=\"https:\/\/www.gironi.it\/blog\/rotture-strutturali-metriche-seo\/\">rotture strutturali<\/a>.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"algoritmi\">I principali algoritmi, e dove trovarli sul blog<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Gli algoritmi di machine learning sono decine, ma quelli che si incontrano pi\u00f9 spesso sono pochi. La tabella li mette in fila con un esempio d&#8217;uso sui dati web e, dove c&#8217;\u00e8, l&#8217;articolo del blog che li tratta passo per passo.<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>Algoritmo<\/th><th>Tipo<\/th><th>A che cosa serve, per esempio<\/th><th>Sul blog<\/th><\/tr><\/thead><tbody><tr><td>Regressione lineare<\/td><td>supervisionato, regressione<\/td><td>prevedere un numero: il CTR dalla posizione, il traffico da pi\u00f9 fattori<\/td><td><a href=\"https:\/\/www.gironi.it\/blog\/regressione-lineare-semplice\/\">semplice<\/a>, <a href=\"https:\/\/www.gironi.it\/blog\/regressione-multipla-spiegata-semplice\/\">multipla<\/a><\/td><\/tr><tr><td>Regressione logistica<\/td><td>supervisionato, classificazione<\/td><td>stimare la probabilit\u00e0 che una sessione converta<\/td><td><a href=\"https:\/\/www.gironi.it\/blog\/la-regressione-logistica\/\">regressione logistica<\/a><\/td><\/tr><tr><td>Alberi decisionali<\/td><td>supervisionato<\/td><td>classificare pagine o sessioni con regole leggibili<\/td><td><a href=\"https:\/\/www.gironi.it\/blog\/come-usare-gli-alberi-decisionali-per-classificare-i-dati\/\">alberi decisionali<\/a><\/td><\/tr><tr><td>Naive Bayes<\/td><td>supervisionato, classificazione<\/td><td>riconoscere l&#8217;intento di una query dalle parole che contiene<\/td><td><a href=\"https:\/\/www.gironi.it\/blog\/naive-bayes-intento-ricerca\/\">Naive Bayes<\/a><\/td><\/tr><tr><td>Random forest, gradient boosting<\/td><td>supervisionato<\/td><td>previsioni pi\u00f9 accurate combinando molti alberi<\/td><td>\u2014<\/td><\/tr><tr><td>k-NN<\/td><td>supervisionato<\/td><td>classificare un caso nuovo in base ai casi noti pi\u00f9 simili<\/td><td>\u2014<\/td><\/tr><tr><td>SVM<\/td><td>supervisionato, classificazione<\/td><td>separare due classi con il confine pi\u00f9 distante da entrambe<\/td><td>\u2014<\/td><\/tr><tr><td>k-means e clustering gerarchico<\/td><td>non supervisionato<\/td><td>raggruppare query o pagine simili<\/td><td><a href=\"https:\/\/www.gironi.it\/blog\/clustering-keyword\/\">clustering delle keyword<\/a><\/td><\/tr><tr><td>Analisi delle componenti principali (PCA)<\/td><td>non supervisionato<\/td><td>riassumere molte metriche in poche dimensioni<\/td><td><a href=\"https:\/\/www.gironi.it\/blog\/una-introduzione-allanalisi-delle-componenti-principali-pca\/\">PCA<\/a><\/td><\/tr><tr><td>Rilevamento di anomalie<\/td><td>non supervisionato<\/td><td>trovare giorni o pagine fuori norma<\/td><td><a href=\"https:\/\/www.gironi.it\/blog\/anomaly-detection\/\">anomaly detection<\/a><\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Qualche precisazione su quelli che il blog non tratta ancora. La <strong>random forest<\/strong> costruisce molti alberi decisionali, ciascuno su un campione casuale delle osservazioni (estratto con reinserimento), e a ogni suddivisione sceglie fra un sottoinsieme casuale delle variabili; poi combina le risposte degli alberi: fa la media delle previsioni nella regressione, e un voto a maggioranza nella classificazione. Il <strong>gradient boosting<\/strong> costruisce gli alberi uno dopo l&#8217;altro, e ognuno cerca di correggere gli errori dei precedenti. Il <strong>k-NN<\/strong> (<em>k-nearest neighbors<\/em>) classifica un caso nuovo guardando i k casi noti pi\u00f9 simili. Le <strong>SVM<\/strong> (<em>support vector machine<\/em>) cercano il confine che separa le classi con il margine pi\u00f9 ampio possibile, e grazie alle funzioni <em>kernel<\/em> possono tracciare anche confini curvi, non solo rette.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Molti modelli, e in particolare le reti neurali, si addestrano con un procedimento che aggiusta i parametri passo dopo passo per ridurre l&#8217;errore: la <a href=\"https:\/\/www.gironi.it\/blog\/lalgoritmo-di-discesa-del-gradiente-gradient-descent-spiegato-semplice\/\">discesa del gradiente<\/a>. Non \u00e8 l&#8217;unico motore: gli alberi si costruiscono con suddivisioni successive, il k-NN confronta distanze, il Naive Bayes stima probabilit\u00e0, la PCA scompone una matrice.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"fasi\">Le fasi di un progetto<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Un progetto di machine learning, anche piccolo, attraversa sempre le stesse fasi.<\/p>\n\n\n\n<ol class=\"wp-block-list\"><li><strong>Formulare la domanda.<\/strong> Che cosa vogliamo prevedere o scoprire, e che cosa faremo con la risposta. Una domanda vaga produce un modello inutile, per quanto sofisticato.<\/li><li><strong>Raccogliere e pulire i dati.<\/strong> \u00c8 la fase pi\u00f9 lunga, quasi sempre: valori mancanti, metriche che cambiano definizione, duplicati, buchi di tracciamento.<\/li><li><strong>Esplorare.<\/strong> Guardare le distribuzioni e le relazioni prima di modellare: i grafici scoprono problemi che nessun algoritmo segnala.<\/li><li><strong>Scegliere e addestrare il modello<\/strong>, partendo dal pi\u00f9 semplice che possa funzionare.<\/li><li><strong>Sceglierlo e valutarlo su dati nuovi<\/strong>: la scelta con un insieme di validazione o con la validazione incrociata, il giudizio finale sul test set tenuto da parte; e confrontarlo con un riferimento ingenuo (per esempio prevedere sempre la media).<\/li><li><strong>Usarlo e sorvegliarlo.<\/strong> Un modello in produzione va controllato nel tempo, perch\u00e9 i dati su cui lavora cambiano.<\/li><\/ol>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"iniziare\">Come iniziare<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Per mettere le mani sul machine learning non serve installare niente di complicato. <a href=\"https:\/\/colab.research.google.com\/\" target=\"_blank\" rel=\"noopener\">Google Colab<\/a> permette di scrivere ed eseguire codice nel browser e di condividere il lavoro con un link: \u00e8 pensato soprattutto per Python, ma si pu\u00f2 lavorare anche in R scegliendolo come tipo di runtime (menu <em>Runtime<\/em>, <em>Cambia tipo di runtime<\/em>); <a href=\"https:\/\/jupyter.org\/\" target=\"_blank\" rel=\"noopener\">Jupyter<\/a> offre lo stesso tipo di quaderno di lavoro sul proprio computer. Chi usa gi\u00e0 R, come negli esempi di questo blog, pu\u00f2 partire da RStudio e dalla raccolta di pacchetti <a href=\"https:\/\/www.tidymodels.org\/\" target=\"_blank\" rel=\"noopener\">tidymodels<\/a>, che d\u00e0 un&#8217;interfaccia comune a molti algoritmi e alla validazione incrociata.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Fra i corsi, quello di Andrew Ng su <a href=\"https:\/\/www.coursera.org\/learn\/machine-learning\" target=\"_blank\" rel=\"noopener\">Coursera<\/a> resta un ottimo punto di partenza, con esempi in Python. Fra i libri, <em>An Introduction to Statistical Learning<\/em> \u00e8 il testo che consiglio prima di tutti: spiega gli algoritmi con pochissima matematica e molti esempi, e gli autori lo mettono a disposizione gratuitamente in PDF sul <a href=\"https:\/\/www.statlearning.com\/\" target=\"_blank\" rel=\"noopener\">sito ufficiale<\/a>, accanto all&#8217;edizione a stampa.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Il consiglio pi\u00f9 utile, per\u00f2, \u00e8 un altro: lavorare presto su dati veri, possibilmente i propri. Un modello addestrato sui dati del proprio sito insegna pi\u00f9 di dieci tutorial, proprio perch\u00e9 l\u00ec i dati sono sporchi, pochi e pieni di sorprese.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"domande-frequenti\">Domande frequenti<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Che cos&#8217;\u00e8 il machine learning, in parole semplici?<\/strong><br>\u00c8 un insieme di metodi che costruiscono una regola a partire dagli esempi, invece di farla scrivere a mano a un programmatore. La regola, chiamata modello, serve poi a fare previsioni o a trovare strutture in dati nuovi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Quali sono i principali algoritmi di machine learning?<\/strong><br>Per l&#8217;apprendimento supervisionato la regressione lineare e logistica, gli alberi decisionali, la random forest e il gradient boosting, il Naive Bayes, il k-NN e le SVM; per quello non supervisionato il clustering (k-means, gerarchico), la PCA e i metodi di rilevamento delle anomalie.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Che differenza c&#8217;\u00e8 fra apprendimento supervisionato e non supervisionato?<\/strong><br>Nel supervisionato ogni esempio ha la sua risposta (ha convertito o no) e il modello impara a prevederla; nel non supervisionato le risposte non ci sono e il modello cerca strutture nei dati, come gruppi di elementi simili.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Che cos&#8217;\u00e8 l&#8217;overfitting?<\/strong><br>\u00c8 quando un modello impara troppo bene i dati di addestramento, compreso il loro rumore, e per questo sbaglia sui dati nuovi. Il segnale tipico \u00e8 un forte divario fra l&#8217;errore sui dati di addestramento, basso, e quello su dati nuovi confrontabili, alto; si combatte con modelli pi\u00f9 semplici, pi\u00f9 dati e la validazione su dati non visti.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Machine learning e statistica sono la stessa cosa?<\/strong><br>Condividono gran parte degli strumenti: la regressione, per esempio, \u00e8 di entrambi. Cambia soprattutto l&#8217;accento: la statistica cura di pi\u00f9 la comprensione e l&#8217;incertezza delle stime, il machine learning la qualit\u00e0 delle previsioni su dati nuovi.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"prova-tu\">Prova tu<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Il codice dell&#8217;esempio si pu\u00f2 rieseguire e modificare. Tre direzioni:<\/p>\n\n\n\n<ol class=\"wp-block-list\"><li><strong>Pi\u00f9 pagine.<\/strong> Portiamo le pagine di addestramento da 20 a 50 e poi a 200: come cambia il grado con l&#8217;errore minimo sui dati nuovi? E quanto si riduce la distanza fra i due errori?<\/li><li><strong>Pi\u00f9 rumore.<\/strong> Aumentiamo il rumore da 0,35 a 0,6 (il terzo argomento di <code>rnorm<\/code>): l&#8217;overfitting arriva prima o dopo?<\/li><li><strong>Un altro seme.<\/strong> Cambiamo <code>set.seed(2026)<\/code> con un altro numero e ripetiamo: il grado migliore resta 3? Che cosa ci dice questo sulla stabilit\u00e0 della scelta fatta con soli 20 dati?<\/li><\/ol>\n\n\n\n<p class=\"wp-block-paragraph\">Suggerimento: in tutte e tre le prove conviene guardare non solo quale grado vince, ma di quanto. Una differenza minima fra due modelli, stimata su pochi dati, non \u00e8 una buona ragione per preferire il pi\u00f9 complicato.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<p class=\"wp-block-paragraph\">Il primo algoritmo che vale la pena vedere al lavoro \u00e8 anche il pi\u00f9 leggibile: un albero decisionale, che impara dai dati una serie di domande s\u00ec\/no e le mostra in chiaro, una per una. Lo trattiamo nell&#8217;articolo sugli <a href=\"https:\/\/www.gironi.it\/blog\/come-usare-gli-alberi-decisionali-per-classificare-i-dati\/\">alberi decisionali<\/a>, e tutto il percorso, dalla regressione al clustering, \u00e8 raccolto nel <a href=\"https:\/\/www.gironi.it\/blog\/percorso-machine-learning\/\">percorso sul machine learning<\/a>.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h3 class=\"wp-block-heading\" id=\"per-approfondire\">Per approfondire<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Per proseguire, <em><a href=\"https:\/\/www.amazon.it\/dp\/1461471370?tag=consulenzeinf-21&amp;ascsubtag=machine-learning-una-guida-per-i-principianti\" rel=\"nofollow sponsored noopener\" target=\"_blank\">An Introduction to Statistical Learning<\/a><\/em> di James, Witten, Hastie e Tibshirani \u00e8 il libro che consiglio a chi parte: unisce l&#8217;intuizione alla pratica, con laboratori in R per ogni capitolo, e affronta con cura proprio il compromesso fra flessibilit\u00e0 e overfitting. Per un inquadramento pi\u00f9 completo e teorico, <em><a href=\"https:\/\/www.amazon.it\/dp\/0262028182?tag=consulenzeinf-21&amp;ascsubtag=machine-learning-una-guida-per-i-principianti\" rel=\"nofollow sponsored noopener\" target=\"_blank\">Introduction to Machine Learning<\/a><\/em> di Ethem Alpayd\u0131n copre l&#8217;intero campo con rigore.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Chiunque lavori con i dati di un sito, prima o poi, si fa una domanda che sa gi\u00e0 di machine learning. Quali pagine nuove porteranno traffico? Quali sessioni finiranno in un acquisto? Quali delle mille query di Search Console parlano della stessa cosa? Sono domande diverse, ma hanno un tratto comune: la risposta non la &hellip; <a href=\"https:\/\/www.gironi.it\/blog\/machine-learning-una-guida-per-i-principianti\/\" class=\"more-link\">Leggi tutto<span class=\"screen-reader-text\"> &#8220;Capire il machine learning: come funziona, i principali algoritmi e l&#8217;errore da evitare&#8221;<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_uag_custom_page_level_css":"","footnotes":""},"categories":[635,629],"tags":[],"class_list":["post-2594","post","type-post","status-publish","format-standard","hentry","category-ai-it","category-statistica-it"],"lang":"it","translations":{"it":2594,"en":3484},"uagb_featured_image_src":{"full":false,"thumbnail":false,"medium":false,"medium_large":false,"large":false,"1536x1536":false,"2048x2048":false,"post-thumbnail":false},"uagb_author_info":{"display_name":"paolo","author_link":"https:\/\/www.gironi.it\/blog\/author\/paolo\/"},"uagb_comment_info":10,"uagb_excerpt":"Chiunque lavori con i dati di un sito, prima o poi, si fa una domanda che sa gi\u00e0 di machine learning. Quali pagine nuove porteranno traffico? Quali sessioni finiranno in un acquisto? Quali delle mille query di Search Console parlano della stessa cosa? Sono domande diverse, ma hanno un tratto comune: la risposta non la&hellip;","_links":{"self":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/2594","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/comments?post=2594"}],"version-history":[{"count":5,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/2594\/revisions"}],"predecessor-version":[{"id":4653,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/2594\/revisions\/4653"}],"wp:attachment":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/media?parent=2594"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/categories?post=2594"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/tags?post=2594"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}