模型是复杂现实世界对象/现象的简化表示。作为一个简单的例子，我看到一座山，因为我无法研究山的确切形状，所以我用一个三角形来表示它。用三角形表示山是一个模型。其他人通过说它是一个圆锥体来制作一个更好的模型。每个模型都捕捉了现实世界现象的一些特征。如果模型能够捕获对象/现象的真实特征，则它会更好。

从机器学习的角度来看，这对应于探索数据集，然后思考数据集并创建数据集的模型。例如，如果我有著名的泰坦尼克号数据集，我会思考不同的特征如何影响生存概率。一种“模型”是认为不同的属性独立地影响一个人的生存机会。我想使用一个朴素贝叶斯分类器来学习这个模型的参数并看看它是如何执行的。一个不同的模型是假设不同的属性可能遵循一个层次结构。也许，首先是性别。那么在同性别的人中，决定因素可能是阶级等等。为了学习这个模型的参数，我想用决策树分类器或随机森林分类器来训练数据。这正是模型生成的过程。它涉及通过结合您从探索性数据分析中获得的见解和您拥有的领域知识来思考数据。然后你做出某些假设。然后测试你的模型。