本文轉(zhuǎn)載自公眾號“讀芯術(shù)”(ID：AI_Discovery)

作為數(shù)據(jù)科學(xué)家，我在很多公司工作過，也遇到了很多問題和挑戰(zhàn)。事實(shí)上，很多人都會經(jīng)歷這些挑戰(zhàn)，就不同情況而言，也會有多種可行的解決方案。我將談?wù)勎以媾R的一些最常見或最困難的挑戰(zhàn)。

[[377837]]

業(yè)務(wù)問題描述不當(dāng)

只要有一個工作人員出錯，你就會面臨這個挑戰(zhàn)。數(shù)據(jù)科學(xué)專家的主要工作之一就是做業(yè)務(wù)問題描述——這也就是起初使用數(shù)據(jù)科學(xué)的原因。

實(shí)際上，多數(shù)情況下描述不是某個數(shù)據(jù)科學(xué)專家自己，而是整個團(tuán)隊(duì)。團(tuán)隊(duì)里通常包括利益相關(guān)者，比如產(chǎn)品經(jīng)理。但是，團(tuán)隊(duì)內(nèi)可能出現(xiàn)技術(shù)脫節(jié)，任一方都可能對業(yè)務(wù)問題描述不當(dāng)。

產(chǎn)品經(jīng)理可能會說：“我們要提更多建議，大家才能買的更多”，而數(shù)據(jù)科學(xué)專家可能會說：“向大家推薦產(chǎn)品的時候，超過80%的情況下我們要有95%的把握。”

這兩種問題描述總體來講都很好，但都不夠細(xì)化，或者只是勾勒出了問題的輪廓。問題描述是要從中找出解決方案，但是本身并不是解決方案。

以下是一個更好的業(yè)務(wù)問題描述問題的例子：“顧客平均每個訂單只買一件東西”。

就是這么簡單。一開始雙方都想方設(shè)法將描述復(fù)雜化，但現(xiàn)在這樣更高效。雖然沒有解決方案，但人人都能看懂這種直接、通俗易懂的描述。

示例描述說明一件東西不夠，那么解決方案可能就是如何讓顧客更可能買一件以上的東西。一種數(shù)據(jù)科學(xué)解決方案就是使用機(jī)器學(xué)習(xí)推薦系統(tǒng)。在工作中不要好高騖遠(yuǎn)，而要專注于眼下的實(shí)際問題，這很重要。

數(shù)據(jù)失衡

任何真正與數(shù)據(jù)打交道的人大多都會遇到數(shù)據(jù)失衡的問題。比如，遇到分類問題時使用邏輯回歸給新數(shù)據(jù)賦值0或1。目標(biāo)變量預(yù)計(jì)0和1各占50%的可能。然而，結(jié)果完全出乎預(yù)料。

如果試著將一種新動物歸類為狗或者貓，就需要貓狗各1000列的訓(xùn)練數(shù)據(jù)。這樣，模型才足夠辨別二者的不同之處。如果訓(xùn)練數(shù)據(jù)中貓有1900只，狗只有100只，那么就可能產(chǎn)生誤解，認(rèn)為多數(shù)新動物都是貓，這是個很常見的問題。

可能的解決方案是使用其他補(bǔ)強(qiáng)少數(shù)部分的機(jī)器學(xué)習(xí)算法，或者創(chuàng)建新的綜合數(shù)據(jù)。有一種技術(shù)叫不均衡學(xué)習(xí)(imbalanced-learn)，可以采用下列具體方法進(jìn)行過采樣：

• ADASYN算法(Adaptive Synthetic，自適應(yīng)綜合過采樣)
• BorderlineSMOTE算法
• KMeansSMOTE算法
• RandomOverSampler算法
• SMOTNC算法
• SVMSMOTE算法(Nominal andContinuous)

這些過采樣方法都非常有效，而且能解決數(shù)據(jù)不均衡問題。還有很多方法，比如欠采樣、二者相結(jié)合、組合法、Keras和TensorFlow的批量生成器。下面是過采樣操作的示例：

• 畫一幅二維視圖
• 繪制已知數(shù)據(jù)點(diǎn)
• 選擇一個已知點(diǎn)
• 找出最鄰近點(diǎn)
• 在鄰近點(diǎn)與原始數(shù)據(jù)點(diǎn)之間畫一條線
• 然后隨機(jī)將大頭針丟在這些線上
• 這就是新合成的過采樣數(shù)據(jù)

像RandomForest之類的一些機(jī)器算法函數(shù)庫的參數(shù)要指定均衡數(shù)據(jù)也很簡單。

過擬合

構(gòu)建的數(shù)據(jù)科學(xué)模型將訓(xùn)練數(shù)據(jù)解析的太透徹就會出現(xiàn)過擬合問題。模型接收了訓(xùn)練數(shù)據(jù)中的詳細(xì)信息，也包括數(shù)據(jù)中的噪音，所以過于具體，而這在預(yù)測新的真實(shí)數(shù)據(jù)時是無用的，結(jié)果模型就無法做出正確推斷和歸納。模型的目的是處理好未見過的數(shù)據(jù)，所以要想辦法找到能處理好新數(shù)據(jù)的解決辦法并付諸使用。

• 交叉驗(yàn)證
• 移除重復(fù)或相似特點(diǎn)
• 及早停止
• 正則化
• 集成法
• 非參數(shù)機(jī)器學(xué)習(xí)算法
• 使用更多數(shù)據(jù)訓(xùn)練

特征不足

制定業(yè)務(wù)問題描述之后，通常還需要開始尋找數(shù)據(jù)，然后形成自己的特點(diǎn)，輸入到數(shù)據(jù)科學(xué)模型中作為訓(xùn)練數(shù)據(jù)。對公司數(shù)據(jù)表了解的越多，就會發(fā)現(xiàn)還可以以其它縱列為新特征。不過，一開始特征有限的問題還有另一種解決辦法。

構(gòu)建當(dāng)前度量的統(tǒng)計(jì)數(shù)據(jù)。例如，一般具有“每位用戶點(diǎn)擊量”特征，就會停止。但也可以從如下某一縱列中創(chuàng)建新的度量：

• 每位用戶的平均點(diǎn)擊量
• 每位用戶的眾數(shù)點(diǎn)擊量
• 每位用戶75%百分位數(shù)點(diǎn)擊量

還有很多不同方式來描述該特征的范圍。

版本控制

數(shù)據(jù)科學(xué)家非常習(xí)慣獨(dú)自工作，喜歡對同一個重點(diǎn)項(xiàng)目創(chuàng)建20個不同版本的Jupyter Notebook。我們約定好了命名，但第二天就忘記了。然后，一切變得一團(tuán)糟。但其實(shí)還有更好的方式——那就是Git和GitHub。

• Git
• GitHub
• 如果數(shù)量較少的話，還有其它自制辦法，比如用特殊數(shù)字方法(例：Notebook1，Notebook2)創(chuàng)建新版本。

這些工具可以通過創(chuàng)建區(qū)別于主干/代碼庫的獨(dú)立分支，幫你形成自己的代碼變化。然后就可以創(chuàng)建一個拉取請求來比較代碼變化，在獲得他人認(rèn)可后并入原件。如此一來，你就不僅是在創(chuàng)建代碼評審，而且還允許大家注意到并更加了解你的特定代碼。

如你所見，數(shù)據(jù)科學(xué)家會面臨很多挑戰(zhàn)，我所談到的只是冰山一角。但這些問題是我經(jīng)歷最多的，我認(rèn)為應(yīng)該重點(diǎn)討論的。希望我的方法能幫你順利解決這些問題。