你準(zhǔn)備好要成為一名數(shù)據(jù)科學(xué)家，積極的參加Kaggle比賽和Coursera的講座。雖然這一切都準(zhǔn)備好了，但是一名數(shù)據(jù)科學(xué)家的實(shí)際工作與你所期望的卻是大相徑庭的。

本文研究了作為數(shù)據(jù)科學(xué)家新手的5個(gè)常見(jiàn)錯(cuò)誤。這是由我在塞巴斯蒂安·福卡德(Dr. Sébastien Foucaud)博士的幫助下一起完成的，他在指導(dǎo)和領(lǐng)導(dǎo)學(xué)術(shù)界與行業(yè)領(lǐng)域的年輕數(shù)據(jù)科學(xué)家方面擁有20多年的經(jīng)驗(yàn)。本文旨在幫助你更好地為今后的實(shí)際工作做準(zhǔn)備。

[[255094]]

1、Kaggle成才論 

你通過(guò)參加Kaggle比賽，練習(xí)了數(shù)據(jù)科學(xué)領(lǐng)域的各項(xiàng)技能。如果你能把決策樹(shù)和神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)那就再好不過(guò)了。說(shuō)實(shí)話，作為一個(gè)數(shù)據(jù)科學(xué)家，你不需要做那么多的模型融合。請(qǐng)記住，通常情況下，你將花80%的時(shí)間進(jìn)行數(shù)據(jù)預(yù)處理，剩下的20%的時(shí)間用于構(gòu)建模型。

作為Kaggle的一份子對(duì)你在很多方面都有幫助。所用到的數(shù)據(jù)一般都是徹底處理過(guò)的，因此你可以花更多的時(shí)間來(lái)調(diào)整模型。但在實(shí)際工作中，則很少會(huì)出現(xiàn)這種情況。一旦出現(xiàn)這種情況，你必須用不同的格式和命名規(guī)則來(lái)收集組裝不同來(lái)源的數(shù)據(jù)。

做數(shù)據(jù)預(yù)處理這項(xiàng)艱苦的工作以及練習(xí)相關(guān)的技能，你將會(huì)花費(fèi)80%的時(shí)間。抓取圖像或從API中收集圖像，收集Genius上的歌詞，準(zhǔn)備解決特定問(wèn)題所需的數(shù)據(jù)，然后將其提供給筆記本電腦并執(zhí)行機(jī)器學(xué)習(xí)生命周期的過(guò)程。精通數(shù)據(jù)預(yù)處理無(wú)疑會(huì)使你成為一名數(shù)據(jù)科學(xué)家，并對(duì)你的公司產(chǎn)生立竿見(jiàn)影的影響。

2、神經(jīng)網(wǎng)絡(luò)(Neural Networks)無(wú)所不能

在計(jì)算機(jī)視覺(jué)或自然語(yǔ)言處理的領(lǐng)域，深度學(xué)習(xí)模型優(yōu)于其它機(jī)器學(xué)習(xí)模型，但它們也有很明顯的不足。

神經(jīng)網(wǎng)絡(luò)需要依賴大量的數(shù)據(jù)。如果樣本很少，那么使用決策樹(shù)或邏輯回歸模型的效果會(huì)更好。神經(jīng)網(wǎng)絡(luò)也是一個(gè)黑匣子，眾所周知，它們很難被解釋和說(shuō)明。如果產(chǎn)品負(fù)責(zé)人或主管經(jīng)理對(duì)模型的輸出產(chǎn)生了質(zhì)疑，那么你必須能夠?qū)δＰ瓦M(jìn)行解釋。這對(duì)于傳統(tǒng)模型來(lái)說(shuō)要容易得多。

正如詹姆斯·勒(James Le)在一個(gè)偉大的郵件中所闡述的那樣，有許多優(yōu)秀的統(tǒng)計(jì)學(xué)習(xí)模型，自己可以學(xué)習(xí)一下，了解一些它們的優(yōu)缺點(diǎn)，并根據(jù)用例的約束來(lái)進(jìn)行模型的實(shí)際應(yīng)用。除非你正在計(jì)算機(jī)視覺(jué)或自然語(yǔ)言識(shí)別的專業(yè)領(lǐng)域工作，否則最成功的模型很可能就是傳統(tǒng)的機(jī)器學(xué)習(xí)算法。你很快就會(huì)發(fā)現(xiàn)，最簡(jiǎn)單的模型，如邏輯回歸，通常是最好的模型。 

3、機(jī)器學(xué)習(xí)是產(chǎn)品

在過(guò)去的十年里，機(jī)器學(xué)習(xí)既受到了極大的吹捧，也受到了很大的沖擊。大多數(shù)的初創(chuàng)公司都宣稱機(jī)器學(xué)習(xí)可以解決現(xiàn)實(shí)中遇到的任何問(wèn)題。 

機(jī)器學(xué)習(xí)永遠(yuǎn)都不應(yīng)該是產(chǎn)品。它是一個(gè)強(qiáng)大的工具，用于生產(chǎn)滿足用戶需求的產(chǎn)品。機(jī)器學(xué)習(xí)可以用于讓用戶收到精準(zhǔn)的商品推薦，也可以幫助用戶準(zhǔn)確地識(shí)別圖像中的對(duì)象，還可以幫助企業(yè)向用戶展示有價(jià)值的廣告。

作為一名數(shù)據(jù)科學(xué)家，你需要以客戶作為目標(biāo)來(lái)制定項(xiàng)目計(jì)劃。只有這樣，才能充分地評(píng)估機(jī)器學(xué)習(xí)是否對(duì)你有幫助。

4、混淆因果和相關(guān)

有90%的數(shù)據(jù)大約是在過(guò)去的幾年中形成的。隨著大數(shù)據(jù)的出現(xiàn)，數(shù)據(jù)對(duì)機(jī)器學(xué)習(xí)從業(yè)者來(lái)說(shuō)已經(jīng)變得越來(lái)越重要。由于有非常多的數(shù)據(jù)需要評(píng)估，學(xué)習(xí)模型也更容易發(fā)現(xiàn)隨機(jī)的相關(guān)性。 

上圖顯示的是美國(guó)小姐的年齡和被蒸汽、熱氣和發(fā)熱物體導(dǎo)致的命案總?cè)藬?shù)?？紤]到這些數(shù)據(jù)，一個(gè)學(xué)習(xí)算法會(huì)學(xué)習(xí)美國(guó)小姐的年齡影響特定對(duì)象命案數(shù)量的模式。然而，這兩個(gè)數(shù)據(jù)點(diǎn)實(shí)際上是不相關(guān)的，并且這兩個(gè)變量對(duì)其它的變量沒(méi)有任何的預(yù)測(cè)能力。

當(dāng)發(fā)現(xiàn)數(shù)據(jù)中的關(guān)系模式時(shí)，就要應(yīng)用你的領(lǐng)域知識(shí)。這可能是一種相關(guān)性還是因果關(guān)系呢?回答這些問(wèn)題是要從數(shù)據(jù)中得出分析結(jié)果的關(guān)鍵點(diǎn)。

5、優(yōu)化錯(cuò)誤的指標(biāo)

機(jī)器學(xué)習(xí)模型通常遵循敏捷的生命周期。首先，定義思想和關(guān)鍵指標(biāo)。之后，要原型化一個(gè)結(jié)果。下一步，不斷進(jìn)行迭代改進(jìn)，直到得到讓你滿意的關(guān)鍵指標(biāo)。

構(gòu)建一個(gè)機(jī)器學(xué)習(xí)模型時(shí)，請(qǐng)記住一定要進(jìn)行手動(dòng)錯(cuò)誤分析。雖然這個(gè)過(guò)程很繁瑣并且比較費(fèi)時(shí)費(fèi)力，但是它可以幫助你在接下來(lái)的迭代中有效地改進(jìn)模型。參考下面的文章，可以從Andrew Ng的Deep Learning Specialization一文中獲得更多關(guān)于改進(jìn)模型的技巧。

注意以下幾個(gè)關(guān)鍵點(diǎn):

• 實(shí)踐數(shù)據(jù)處理
• 研究不同模型的優(yōu)缺點(diǎn)
• 盡可能簡(jiǎn)化模型
• 根據(jù)因果關(guān)系和相關(guān)性檢查你的結(jié)論
• 優(yōu)化最有希望的指標(biāo)