{"canonical_url":"https://engineer.company/nb/glossary/machine-learning/","content_markdown":"# Maskinlæring\n\n## Hva det er\n\nMaskinlæring vil si å lage programvare som lærer en oppgave av eksempler, i\nstedet for å følge regler en utvikler har skrevet på forhånd. Du gir den mange\ntilfeller der svaret allerede er kjent. Den finner en sammenheng mellom det som\ngikk inn og svaret som kom ut, og bruker så denne sammenhengen til å forutsi\nsvaret i hvert nytt tilfelle. Uttrykket er eldre enn nesten all programvaren som\nbruker det i dag: A. L. Samuel satte det i tittelen på en studie av damspill,\nsom IBM Journal of Research and Development trykket i juli 1959.\n\nDet er lettest å få begrepene på plass med scikit-learn, et Python-bibliotek med\nåpen kildekode, og det er dokumentasjonen til scikit-learn denne artikkelen\nfølger. Eksemplene står i en tabell. Hver rad er én observasjon (scikit-learn\nkaller det en sample), for eksempel en faktura, en kunde eller en måling fra en\nsensor. Hver kolonne er en feature, et tall som beskriver observasjonen. Svaret\nprogramvaren skal lære å gi, er målvariabelen. Det som lærer, heter en estimator\nhos scikit-learn. Alle estimatorer har en `fit`-metode som lærer av radene du\nviser den. Prediktive estimatorer bruker `predict` til å gi svar for nye rader;\ntransformatorer bruker `transform` til å lage en transformert tabell med\nobservasjoner.\n\nDet aller meste av arbeidet faller i to kategorier. Ved veiledet læring har hver\ntreningsrad målvariabelen sin med seg. Når målvariabelen er en kategori, som\nbetalt i tide eller betalt for sent, er oppgaven klassifisering. Når den er en\nmengde, som antall dager til betaling, er det regresjon. Ved ikke-veiledet\nlæring finnes det ingen målvariabel, og programvaren leter selv etter struktur,\nfor eksempel ved å samle kunder som oppfører seg likt, i grupper.\nDokumentasjonen til scikit-learn gir hver av de to kategoriene et eget kapittel\nog lar dem etterfølges av et kapittel om modellvalg og evaluering. Det er der de\nfleste praktiske problemene ligger.\n\nMaskinlæring er derimot ikke et navn på all programvare som virker smart. En\nregel som flagger hver faktura over et fast beløp, er skrevet av et menneske og\ngjør nøyaktig det som står i den. En modell som flagger fakturaer, har selv\nutledet regelen sin fra gamle fakturaer. Den kan derfor ta feil på måter ingen\nhar skrevet ned, og den endrer oppførsel hver gang dataene den lærer av, endrer\nseg.\n\n## Hvorfor det er viktig\n\nNoen oppgaver er mye lettere å vise enn å forklare. Ingen klarer å skrive en\nfullstendig regel for hvilke fakturaer som kommer til å bli betalt for sent, men\nde fleste bedrifter sitter på flere år med fakturaer der utfallet er registrert.\nMaskinlæring gjør den historikken om til en regel som virker, og kan gjøre det\nfor mange slike spørsmål samtidig. Derfor har teknikken flyttet seg fra\nforskningsmiljøene og inn i helt vanlig forretningsprogramvare.\n\nBaksiden er at dataene nå gjør jobben koden pleide å gjøre. Har historikken\nfeil, duplikater eller hull, lærer modellen det også, og ingenting i koden\navslører det. D. Sculley og ni kolleger hos Google beskrev konsekvensene i\n*Hidden Technical Debt in Machine Learning Systems*, en artikkel i proceedings\nfra NIPS-konferansen i 2015. Temaet deres er teknisk gjeld. Den første figuren i\nartikkelen viser selve læringskoden som en liten svart boks midt i et mye større\nsystem, og ifølge bildeteksten er infrastrukturen rundt både enorm og\nsammensatt. Et sted anslår forfatterne at et modent system kan ende opp med\nhøyst 5 prosent maskinlæringskode og minst 95 prosent limkode som bare flytter\ndata inn i og ut av generelle programvarepakker.\n\nDe peker også på at det koster mer å være avhengig av data enn av kode.\nKompilatorer og byggesystemer kan analysere hvilken kode som avhenger av\nhvilken, mens tilsvarende verktøy for data er langt sjeldnere. Dermed kan en\nkolonne få en ny betydning uten at noe som helst merker det. Forfatterne gir\nogså et prinsipp et navn, CACE, for «Changing Anything Changes Everything»:\nforskyves fordelingen av én inndata, kan måten modellen bruker alle de andre på,\nforskyve seg samtidig.\n\nEn modell er altså billig å lage og dyr å holde i live. Det som avgjør om den er\ntil nytte, handler stort sett om data: hvor de kommer fra, om hver kunde står\nder én eller tre ganger, om det registrerte utfallet faktisk stemmer, og hvem\nsom oppdager det når et system lenger opp i kjeden begynner å levere noe annet\nenn før.\n\n## Slik ser det ut i praksis\n\nTenk deg en bedrift som vil vite allerede samme dag som en faktura sendes ut, om\nden sannsynligvis blir betalt for sent. Da kan noen ringe kunden før\nforfallsdatoen, ikke etter. Et uttrekk har én rad per tidligere faktura, sortert\netter fakturadato, og fire kolonner som alle var kjent den dagen fakturaen gikk\nut: beløpet, antall kredittdager, hvor mange fakturaer kunden fikk året før, og\nhvor mange av dem som ble betalt for sent. En femte kolonne viser hvordan det\ngikk: 1 hvis fakturaen ble betalt for sent, 0 hvis den ble betalt i tide.\n\nSkriptet nedenfor er skrevet for denne artikkelen og sjekket linje for linje mot\ndokumentasjonen til scikit-learn 1.9.1 og NumPy 2.5 i oktober 2026. Det trener\nen modell på de eldste tre fjerdedelene av fakturaene og tester den på den\nnyeste fjerdedelen:\n\n```python\n# invoices.csv: én rad per faktura sortert etter dato, bare tall.\n# Siste kolonne er 1 hvis fakturaen ble betalt for sent, ellers 0.\nimport numpy as np\nfrom sklearn.dummy import DummyClassifier\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import balanced_accuracy_score\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import make_pipeline\nfrom sklearn.preprocessing import StandardScaler\n\ndata = np.loadtxt(\"invoices.csv\", delimiter=\",\", skiprows=1)\nX, y = data[:, :-1], data[:, -1].astype(int)\n\n# Hold den nyeste fjerdedelen tilbake: ingenting lærer av den.\nX_old, X_new, y_old, y_new = train_test_split(\n    X, y, test_size=0.25, shuffle=False\n)\n\nmodel = make_pipeline(StandardScaler(), LogisticRegression())\nbaseline = DummyClassifier(strategy=\"most_frequent\")\nfor name, candidate in [(\"model\", model), (\"baseline\", baseline)]:\n    candidate.fit(X_old, y_old)\n    score = balanced_accuracy_score(y_new, candidate.predict(X_new))\n    print(name, round(score, 3))\n```\n\nFire valg i skriptet betyr mer enn hvilken algoritme som brukes.\n\n**Den nyeste fjerdedelen settes til side før noe lærer.** Med `shuffle=False`\nbeholder `train_test_split` rekkefølgen og legger de siste radene i testsettet.\nModellen lærer dermed av eldre fakturaer og blir vurdert på nyere, akkurat slik\nden skal brukes. Med standardverdien `shuffle=True` ville delingen blitt\ntilfeldig, og en del av testen ville bestått av fakturaer som er eldre enn noen\nav dem modellen lærte av.\n\n**Skaleringen ligger inne i pipelinen.** `StandardScaler` trekker fra\ngjennomsnittet for hver feature og skalerer den til enhetsvarians. Fordi\n`make_pipeline` kobler skaleringen sammen med klassifikatoren, beregnes\ngjennomsnitt og varians bare fra treningsradene, og ingenting fra den nyeste\nfjerdedelen lekker inn i modellen.\n\n**Målet er balansert nøyaktighet.** For hver av de to klassene regnes andelen\nmodellen traff riktig, altså de sene fakturaene den fanget og de punktlige den\nkjente igjen, og så tas gjennomsnittet. Blir hver tiende faktura betalt for\nsent, belønner vanlig nøyaktighet en modell som svarer «i tide» hver eneste\ngang. Det gjør ikke balansert nøyaktighet.\n\n**Modellen må slå en referansemodell.** `DummyClassifier` med\n`strategy=\"most_frequent\"` overser alle featurene og svarer alltid med den\nvanligste klassen. Målt i balansert nøyaktighet får den 0,5 med to klasser,\nfordi den treffer hver punktlige faktura og bommer på hver sene. Slår ikke\nmodellen den klart, har den ikke lært noe nyttig, samme hvor fin den vanlige\nnøyaktigheten ser ut.\n\nIngenting av dette redder en modell fra dårlige rader. Ligger samme kunde inne\nsom tre ulike poster, blir antallet sene fakturaer for kunden fordelt på tre, og\nmodellen lærer av en historikk som aldri har skjedd. Siden vår om\n[Klargjøring av data for AI](/nb/services/ai-data/) handler om nettopp dette\ngrunnarbeidet: at hver kunde finnes bare én gang, at hver ansatt bare får\ntilgang til det vedkommende skal se, og at ethvert svar kan følges tilbake til\ndataene det bygger på. For en modell er det siste punktet det som gjør at du kan\ngå baklengs fra en merkelig prediksjon til radene som ga den.\n\n## Hvor det går galt\n\n**Informasjon fra fremtiden kommer med i treningen.** Veiledningen om vanlige\nfallgruver i scikit-learn kaller dette datalekkasje (data leakage): modellen\nbygges med informasjon som ikke vil finnes når den skal gjøre en prediksjon. I\nfakturaeksemplet er den fristende ekstra kolonnen antall purringer som er sendt.\nDen forutsier forsinkelse svært godt, nettopp fordi purringer først sendes når\nfakturaen allerede er forfalt. Samme lekkasje skjer mer i det stille når en\nskalering eller en utfylling av manglende verdier tilpasses på alle rader før\ndelingen, og regelen i veiledningen er at man aldri kaller `fit` på testdata.\nLøsningen er å skrive ned når verdien i hver kolonne blir kjent, å dele dataene\nførst og å holde all forbehandling inne i pipelinen, slik at den bare tilpasses\npå treningsradene.\n\n**Modellen vurderes på noe den allerede har sett.** En modell som bare gjentok\nsvarene den var trent på, ville fått full score på sine egne treningsrader og\nvært ubrukelig på alt nytt. Veiledningen om kryssvalidering kaller dette\novertilpasning (overfitting). En mer lumsk variant er å prøve mange\ninnstillinger og beholde den som scorer best på de tilbakeholdte radene, for da\nlekker kunnskap om akkurat de radene inn i valget. Sammenlign heller\ninnstillingene med kryssvalidering på treningsdelen, der radene deles i flere\nfold og hver fold etter tur er testsett. De tilbakeholdte radene ser du på én\ngang, helt til slutt.\n\n**Høy nøyaktighet som en konstant kunne matchet.** Når den ene klassen er\nsjelden, blir nøyaktigheten dominert av den vanlige. Veiledningen advarer om at\nen fold med sjeldne klasser, som ved avsløring av svindel, kan ende uten et\neneste eksempel på den sjeldne klassen. Rapporter balansert nøyaktighet eller et\nannet mål per klasse, sammenlign med en `DummyClassifier`, og bruk stratifiserte\nfold, som holder andelen av hver klasse omtrent lik i alle fold.\n`cross_val_score` bruker dem som standard for en klassifikator når du gir den et\nantall fold.\n\n**Tilfeldig deling av data som endrer seg over tid.** Veiledningen om\nkryssvalidering påpeker at antakelsen om uavhengige, likt fordelte observasjoner\nsjelden holder i praksis, og at tidsordnede data bør testes på observasjoner som\nkommer senere enn dem modellen lærte av. En tilfeldig deling lar modellen kikke\ninn i fremtiden og gir en score den aldri når i drift. Del etter dato, slik\neksemplet gjør, og bruk ved kryssvalidering en deling som tar hensyn til tid,\nfor eksempel `TimeSeriesSplit`, der hver fold ifølge veiledningen bør dekke like\nlang tid.\n\n**Forbehandlingen er ulik i trening og drift.** Har modellen lært av skalerte\nfeatures og det kjørende systemet sender rå tall, blir prediksjonene gale uten\nat det kommer noen feilmelding. Veiledningen om fallgruver krever at enhver\ntransformasjon som brukes under treningen, også brukes på testdata og på data i\nproduksjon. Lever den tilpassede pipelinen som ett samlet objekt, ikke som en\nmodell pluss en beskrivelse av hva som må gjøres med dataene først.\n\n**Verden endrer seg etter at modellen er satt i drift.** En modell trent på\nfjorårets fakturaer går ut fra at kundene fortsatt oppfører seg som da. Sculley\nog medforfatterne hans foreslår å følge med på prediksjonsskjevhet (prediction\nbias): i et system som virker som tenkt, bør fordelingen av de predikerte\nkategoriene vanligvis være lik fordelingen av dem som faktisk observeres, og et\ngap som åpner seg mellom de to, er ofte det første tegnet på at verden har\nflyttet seg. Hold den sammenligningen gående, tren på nytt med ferske data, og\nta vare på en fryst, versjonert kopi av hvert inndatasignal som et annet team\neier, slik at en velment endring lenger opp i kjeden ikke stille endrer modellen\ndin.\n\n## Les mer\n\n- [User Guide](https://scikit-learn.org/stable/user_guide.html)\n  — oppslagsverket til scikit-learn om veiledet og ikke-veiledet læring og om\n  modellvalg og evaluering, kapittel for kapittel.\n- [Getting Started](https://scikit-learn.org/stable/getting_started.html)\n  — det felles grensesnittet for estimatorer i korte eksempler: tilpasning og\n  prediksjon, transformatorer, sammenkoblede trinn og kryssvalidering.\n- [Common pitfalls and recommended practices](https://scikit-learn.org/stable/common_pitfalls.html)\n  — inkonsekvent forbehandling, datalekkasje og tilfeldighet, med feil og riktig\n  fremgangsmåte side om side i kode.\n- [Cross-validation: evaluating estimator performance](https://scikit-learn.org/stable/modules/cross_validation.html)\n  — hvorfor testing på treningsdata villeder, og hvilken deling som passer for\n  grupperte, skjevt fordelte eller tidsordnede data.\n- [Hidden Technical Debt in Machine Learning Systems](https://papers.nips.cc/paper_files/paper/2015/hash/86df7dcfd896fcaf2674f757a2463eba-Abstract.html)\n  — Sculley og kolleger hos Google, NIPS 2015, om hva det koster å drive en\n  modell i produksjon utover selve modellen.\n\n\u003chttps://engineer.company/nb/glossary/machine-learning/\u003e\n","date_modified":"2026-11-12T05:34:23Z","description":"Hvordan maskinlæring lar programvare lære en oppgave av eksempler, hvordan en første modell på fakturadata ser ut, og feilene som får den til å virke for god.","formats":{"gemtext":"https://engineer.company/nb/glossary/machine-learning/index.gmi","gopher":"https://engineer.company/nb/glossary/machine-learning/gophermap","html":"https://engineer.company/nb/glossary/machine-learning/","json":"https://engineer.company/nb/glossary/machine-learning/index.json","markdown":"https://engineer.company/nb/glossary/machine-learning/index.md","pdf":"https://engineer.company/nb/glossary/machine-learning/index.pdf"},"kind":"page","language":"nb","title":"Hva er maskinlæring?","url":"https://engineer.company/nb/glossary/machine-learning/","version":1}