機器學(xué)習(xí)新手工程師常犯的6大錯誤
機器學(xué)習(xí)中有很多構(gòu)建產(chǎn)品或解決方案的方式，每種方式的假設(shè)情況都不一樣。很多時候，如何找到合理的假設(shè)并不容易。機器學(xué)習(xí)初學(xué)者經(jīng)常會犯一些事后覺得蠢爆了的錯誤。本文作者創(chuàng)建了一個機器學(xué)習(xí)新手工程師常犯的錯誤清單。希望大家可以從中學(xué)習(xí)，創(chuàng)建更棒的解決方案。
理所當然地使用默認損失函數(shù)
在剛?cè)腴T的時候，均方誤差作為損失函數(shù)是很好的默認選擇。但是當需要處理現(xiàn)實問題的時候，這種未經(jīng)專門設(shè)計的損失函數(shù)很少能給出***解。
拿欺詐檢測為例。為了與你真正的商業(yè)目標一致，需要按照欺詐造成的損失美元金額的比例懲罰假負類。使用均方誤差能給你一個還不錯的結(jié)果，但不會是當前***的結(jié)果。
要點：每一次都自定義損失函數(shù)，使之緊密匹配你的目標。
對所有問題都使用一種算法/方法
很多人一旦完成了入門教程之后，就開始在所有的案例中都使用同一種算法。這很常見，他們覺得這種算法的效果和其它算法是一樣的。這種假設(shè)是很糟糕的，最終會帶來很差的結(jié)果。
解決辦法是讓數(shù)據(jù)為你選擇模型。當你把數(shù)據(jù)預(yù)處理之后，將其饋送到多個不同的模型中去，看看結(jié)果如何。你將會了解哪些模型最適用，而哪些模型并不適合。
要點：如果你一直使用同一種算法，這可能意味著你的結(jié)果并不是***的。
忽略異常值
異常值有時候很重要，有時候又可以忽略不計，視情況而定。以收入預(yù)測為例，有時候收入會突然出現(xiàn)很大的變動，觀察這種現(xiàn)象并了解其原因是很有幫助的。有時候異常值由某種誤差造成，那么這時可以放心地忽略它們，并將其從你的數(shù)據(jù)中刪除。
從模型的角度來看，有些模型對異常值更加敏感。以 Adaboost 為例，它會將異常值當做重要的例子，并給予異常值極大的權(quán)重，而決策樹可能只是簡單的把異常值當做一個錯誤分類(false classification)。
要點：每一次開始工作之前，先仔細觀察數(shù)據(jù)，決定異常值是否應(yīng)該被忽略，如果無法決定，就更仔細地觀察。
未正確處理周期特征
一天 24 小時、一周七天、一年 12 個月，以及風(fēng)向都是周期特征。很多機器學(xué)習(xí)新手工程師不知道把這些特征轉(zhuǎn)換成表示能夠保存信息，如 23 時和 0 時很接近。
以小時為例，***處理方式是計算它的 sin 和 cos，這樣你可以將該周期特征表示為一個圓的 (x,y) 坐標。在以這種方式表示的時間中，23 時和 0 時就是在數(shù)值上緊挨著的兩個數(shù)，僅此而已。
要點：如果你在研究中遇到周期特征，但沒有將其轉(zhuǎn)換成表示，那你就是在給模型添加垃圾數(shù)據(jù)。
未經(jīng)歸一化的 L1/L2 正則化
L1 和 L2 正則化懲罰較大的系數(shù)，是一種對線性或 logistic 回歸進行正則化的常用方式。但是，很多機器學(xué)習(xí)工程師沒有意識到使用正則化之前對特征進行歸一化的重要性。
假設(shè)你有一個線性回歸模型，其中一個特征是「交易金額」。如果交易金額的單位是美元，那么它的系數(shù)應(yīng)該是單位為美分的系數(shù)的 100 倍。這可能會引起偏差，使模型懲罰實際較小的特征。為了避免該問題，需要將這些特征進行歸一化，這樣正則化對于所有特征都是平等的。
要點：正則化很好用，但是如果你不把特征歸一化，會出現(xiàn)很讓人頭疼的問題。
把線性回歸或 logistic 回歸的系數(shù)絕對值當作判斷特征重要性的依據(jù)
很多現(xiàn)成的線性回歸器為每個系數(shù)返回 p 值，一些機器學(xué)習(xí)新手工程師認為對于線性模型而言，系數(shù)的值越大，則該特征越重要。這并不準確，因為變量的大小會改變系數(shù)的絕對值。如果特征是共線的，則系數(shù)可以從一個特征轉(zhuǎn)換到另一個特征。數(shù)據(jù)集的特征越多，特征是共線的可能性就越大，這種對特征重要性的簡單解釋的可信度就越低。
要點：了解哪些特征對結(jié)果的影響力***非常重要，但是僅憑系數(shù)無法確定。
做一些項目并且獲得好的結(jié)果，感覺就像贏了一百萬!你努力工作，研究結(jié)果證明你做的不錯，但是和任何行業(yè)一樣，魔鬼總是隱藏在細節(jié)中，精密的圖表也可能隱藏偏差和誤差。本文列出的錯誤并不是全部，只是想刺激讀者思考你的解決方案中可能隱藏哪些細微問題。要想獲取好的結(jié)果，按照流程工作很重要，并且仔細檢查確保不犯常見錯誤。
原文：
https://medium.com/towards-data-science/top-6-errors-novice-machine-learning-engineers-make-e82273d394db
【本文是51CTO專欄機構(gòu)“機器之心”的原創(chuàng)譯文，微信公眾號“機器之心( id: almosthuman2014)”】
