?數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)正變得越來(lái)越流行。

進(jìn)入這個(gè)領(lǐng)域的人數(shù)，每天都在增長(zhǎng)。

這意味著，很多數(shù)據(jù)科學(xué)家在構(gòu)建第一個(gè)機(jī)器學(xué)習(xí)模型時(shí)，并沒(méi)有豐富的經(jīng)驗(yàn)，所以很容易發(fā)生錯(cuò)誤。

以下就是機(jī)器學(xué)習(xí)解決方案中一些最常見(jiàn)的初學(xué)者錯(cuò)誤。

在需要的地方?jīng)]有使用數(shù)據(jù)歸一化

對(duì)初學(xué)者來(lái)說(shuō)，把特征放入模型，然后等著它給出預(yù)測(cè)，這似乎是一件很容易的事。

但是在某些情況下，得到的結(jié)果可能會(huì)令人失望，因?yàn)槟氵z漏了一個(gè)非常重要的步驟。

某些類型的模型需要讓數(shù)據(jù)歸一化，包括線性回歸、經(jīng)典神經(jīng)網(wǎng)絡(luò)等。這些類型的模型使用特征值乘以訓(xùn)練的權(quán)重。如果特征沒(méi)有被歸一化，可能會(huì)發(fā)生一個(gè)特征的可能值范圍與另一個(gè)特征的可能值范圍非常不同的情況。

假設(shè)，一個(gè)特征的值在[0, 0.001]范圍內(nèi)，另一個(gè)特征的值在[100000, 200000]范圍內(nèi)。對(duì)于兩個(gè)特征同等重要的模型，第一個(gè)特征的權(quán)重將是第二個(gè)特征的權(quán)重的100'000'000倍。巨大的權(quán)重可能會(huì)給模型帶來(lái)嚴(yán)重的問(wèn)題。例如，存在一些異常值。

此外，估計(jì)各種特征的重要性會(huì)變得非常困難，因?yàn)榇髾?quán)重可能意味著該特征很重要，或者可能僅僅意味著它具有較小的值。

而在歸一化后，所有特征都在相同的值范圍內(nèi)，通常是[0, 1]或[-1, 1]。在這種情況下，權(quán)重將處于相似的范圍內(nèi)，并且將與每個(gè)特征的真正重要性密切對(duì)應(yīng)。

總體而言，在需要的地方使用數(shù)據(jù)歸一化，將產(chǎn)生更好、更準(zhǔn)確的預(yù)測(cè)結(jié)果。

認(rèn)為特征越多越好

有人可能認(rèn)為加入的特征越多越好，這樣模型就會(huì)自動(dòng)選擇和使用最好的特征。

在實(shí)踐中，并不是這樣的。在大多數(shù)情況下，具有精心設(shè)計(jì)和選擇特征的模型將顯著優(yōu)于具有10倍以上特征的類似模型。

模型的特征越多，過(guò)擬合的風(fēng)險(xiǎn)就越大。即使在完全隨機(jī)的數(shù)據(jù)中，模型也能夠找到一些信號(hào)——有時(shí)更弱，有時(shí)更強(qiáng)。

當(dāng)然，隨機(jī)噪聲中沒(méi)有真正的信號(hào)。但是，如果我們有足夠多的噪聲列，那么該模型就有可能根據(jù)檢測(cè)到的錯(cuò)誤信號(hào)使用其中的一部分。發(fā)生這種情況時(shí)，模型預(yù)測(cè)質(zhì)量會(huì)降低，因?yàn)樗鼈儗⒉糠只陔S機(jī)噪聲。

的確存在各種用于特征選擇的技術(shù)，它們可以在這種情況下提供幫助。但本文不討論它們。

記住，最重要的是——你應(yīng)該能夠解釋你擁有的每一個(gè)特征，明白為什么這個(gè)特性會(huì)幫助你的模型。

在需要外推法時(shí)使用基于樹(shù)的模型

樹(shù)模型受到歡迎的最主要原因除了它是實(shí)力擔(dān)當(dāng)，還有就是因?yàn)樗芎糜谩?/p>

但是，它并不是百試百靈的。在某些情況下，使用基于樹(shù)的模型很可能會(huì)是一個(gè)錯(cuò)誤。

樹(shù)模型沒(méi)有推斷能力。這些模型永遠(yuǎn)不會(huì)給出大于訓(xùn)練數(shù)據(jù)中看到的最大值的預(yù)測(cè)值。他們也永遠(yuǎn)不會(huì)輸出比訓(xùn)練中的最小值更小的預(yù)測(cè)。

但在某些任務(wù)中，外推能力或許占據(jù)主要作用。比如，如果利用該模型預(yù)測(cè)股票價(jià)格，有可能未來(lái)的股票價(jià)格將比以往任何時(shí)候都高。所以在這種情況下，基于樹(shù)的模型將不再適用，因?yàn)樗鼈兊念A(yù)測(cè)結(jié)果將被限制在接近歷史最高價(jià)格的水平。

那這個(gè)問(wèn)題又該怎么解決呢？

其實(shí)，條條大路通羅馬！

一種選擇是預(yù)測(cè)變化或差異，而不是直接預(yù)測(cè)值。

另一種解決方案是對(duì)此類任務(wù)使用不同的模型類型，比如能夠外推的線性回歸或神經(jīng)網(wǎng)絡(luò)。

多此一舉的歸一化

大家一定不陌生數(shù)據(jù)歸一化的重要性。但是不同的任務(wù)需要不同的歸一化方式，倘若類型按錯(cuò)了，那便會(huì)得不償失！

基于樹(shù)的模型不需要數(shù)據(jù)歸一化，因?yàn)樘卣髟贾挡粫?huì)用作乘數(shù)，并且異常值也不會(huì)影響它們。

神經(jīng)網(wǎng)絡(luò)可能也不需要?dú)w一化——例如，如果網(wǎng)絡(luò)已經(jīng)包含內(nèi)部處理歸一化的層（例如Keras庫(kù)的BatchNormalization）。

在某些情況下，線性回歸可能也不需要數(shù)據(jù)歸一化。這是指所有特征都在相似的值范圍內(nèi)，并且具有相同的含義。例如，如果模型應(yīng)用于時(shí)間序列數(shù)據(jù)，并且所有特征都是同一參數(shù)的歷史值。

在實(shí)踐中，應(yīng)用不需要的數(shù)據(jù)歸一化不一定會(huì)損害模型。大多數(shù)情況下，這些情況下的結(jié)果將與跳過(guò)的歸一化非常相似。但是，進(jìn)行額外的不必要的數(shù)據(jù)轉(zhuǎn)換會(huì)使解決方案復(fù)雜化，并且會(huì)增加引入一些錯(cuò)誤的風(fēng)險(xiǎn)。

所以，具體是用，還是不用，實(shí)踐出真知！

數(shù)據(jù)泄露

數(shù)據(jù)泄露，要比我們想象得更容易。

請(qǐng)看以下代碼段：

實(shí)際上，「sum_feature」和「diff_feature」這兩個(gè)特征都是不正確的。

它們正在「泄漏」信息，因?yàn)樵诓鸱譃橛?xùn)練/測(cè)試集后，具有訓(xùn)練數(shù)據(jù)的部分將包含測(cè)試行中的一些信息。這雖然會(huì)得到更好的驗(yàn)證結(jié)果，但當(dāng)應(yīng)用于實(shí)際數(shù)據(jù)模型時(shí)，就會(huì)性能暴跌。

正確的做法是首先進(jìn)行訓(xùn)練/測(cè)試拆分。然后才應(yīng)用特征生成功能。一般來(lái)說(shuō)，分別處理訓(xùn)練集和測(cè)試集是一種很好的特征工程模式。

在某些情況下，必須在兩者之間傳遞一些信息——例如，我們可能希望測(cè)試集使用相同的StandardScaler ，該StandardScaler用于訓(xùn)練集并在其上進(jìn)行了訓(xùn)練。但這只是個(gè)別案例，所以，我們還是需要具體問(wèn)題具體分析！

從錯(cuò)誤中吸取教訓(xùn)是件好事。但最好從別人的錯(cuò)誤中學(xué)習(xí)——希望本文所提供的錯(cuò)誤示例能幫助到你。