當你構(gòu)建第一個模型，注意避免這5個坑。

數(shù)據(jù)科學和機器學習正變得越來越流行，這個領(lǐng)域的人數(shù)每天都在增長。這意味著有很多數(shù)據(jù)科學家在構(gòu)建他們的第一個機器學習模型時沒有豐富的經(jīng)驗，而這也是錯誤可能會發(fā)生的地方。

近日，軟件架構(gòu)師、數(shù)據(jù)科學家、Kaggle 大師 Agnis Liukis 撰寫了一篇文章，他在文中談了談在機器學習中最常見的一些初學者錯誤的解決方案，以確保初學者了解并避免它們。

以下為文章內(nèi)容：

在機器學習領(lǐng)域，初學者避免這 5 個坑

1、在需要的地方?jīng)]有使用數(shù)據(jù)歸一化

對數(shù)據(jù)進行歸一化操作，然后獲取特征，并將其輸入到模型中，讓模型做出預測，這種方法是很容易的。但在某些情況下，這種簡單方法的結(jié)果可能會讓人失望，因為它缺少一個非常重要的部分。

一些類型的模型需要數(shù)據(jù)歸一化，如線性回歸、經(jīng)典神經(jīng)網(wǎng)絡(luò)等。這類模型使用特征值去乘訓練值的權(quán)重。在非歸一化特征的情況下，一個特征值的可能范圍可能不同于另一個特征值的可能范圍。

假設(shè)一個特征的值在 ［0，0.001］ 范圍內(nèi)，另一個特征的值在 ［100000，200000］ 范圍內(nèi)。對于使兩個特征同等重要的模型，第一個特征的權(quán)重將比第二個特征的權(quán)重大 1 億倍。巨大的權(quán)重可能會給模型帶來嚴重問題，比如存在一些異常值的時候。此外，估計各種特征的重要性變得困難，因為權(quán)重大可能意味著特征很重要，但也可能只是意味著其特征值很小

歸一化后，所有特征的值都在相同的范圍內(nèi)，通常為 ［0，1］ 或 ［-1，1］。在這種情況下，權(quán)重將在相似的范圍內(nèi)，并與每個特征的實際重要性密切對應(yīng)。

總的來說，在需要的地方使用數(shù)據(jù)歸一化將產(chǎn)生更好、更準確的預測。

2、認為特征越多越好

有人可能會認為加入所有特征是一個好主意，認為模型會自動選擇并使用最好的特征。實際上，這種想法很難成真。

模型的特征越多，過擬合的風險越大。即使在完全隨機的數(shù)據(jù)中，模型也能夠找到一些特征（信號），盡管有時較弱，有時較強。當然，隨機噪聲中沒有真實信號。但如果我們有足夠多的噪聲列，則該模型有可能根據(jù)檢測到的故障信號使用其中的一部分。當這種情況發(fā)生時，模型預測質(zhì)量將會降低，因為它們一定程度上基于隨機噪聲。

現(xiàn)在有許多技術(shù)幫助我們進行特征選擇。但你要記住，你需要解釋你擁有的每一個特征，以及為什么這個特征會幫助你的模型。

3. 在需要外推的情況下，使用基于樹的模型

基于樹的模型易于使用，功能強大，這也是其受歡迎的原因。然而，在某些情況下，使用基于樹的模型可能是錯誤的。

基于樹的模型無法外推，這些模型的預測值永遠不會大于訓練數(shù)據(jù)中的最大值，而且在訓練中也永遠不會輸出比最小值更小的預測值。

在某些任務(wù)中，外推能力可能非常重要。例如，如果該模型預測股票價格，那么未來股票價格可能會比以往任何時候都高。在這種情況下，基于樹的模型將無法直接使用，因為它們的預測幾乎會超過最高歷史價格。

這個問題有多種解決方案，一種解決方案是預測變化或差異，而不是直接預測價值。另一種解決方案是為此類任務(wù)使用不同類型的模型。線性回歸或神經(jīng)網(wǎng)絡(luò)就可以進行外推。

4、在不需要的地方使用數(shù)據(jù)歸一化

之前文章談到了數(shù)據(jù)歸一化的必要性，但情況并非總是如此，基于樹的模型不需要數(shù)據(jù)歸一化。神經(jīng)網(wǎng)絡(luò)可能也不需要明確的歸一化，因為有些網(wǎng)絡(luò)內(nèi)部已經(jīng)包含歸一化層，例如 Keras 庫的 BatchNormalization 操作。

在某些情況下，即使是線性回歸也可能不需要數(shù)據(jù)歸一化，這是指所有特征都已處于類似的值范圍，并且具有相同的含義。例如，如果模型適用于時間序列數(shù)據(jù)，并且所有特征都是同一參數(shù)的歷史值。

5. 在訓練集和驗證集 / 測試集之間泄漏信息

造成數(shù)據(jù)泄漏比人們想象的要容易，考慮以下代碼段：

數(shù)據(jù)泄漏的示例特性

實際上，這兩種特征（sum_feature 和 diff_feature）都不正確。它們正在泄漏信息，因為在拆分到訓練集 / 測試集后，具有訓練數(shù)據(jù)的部分將包含來自測試的一些信息。這將導致更高的驗證分數(shù)，但當應(yīng)用于實際的數(shù)據(jù)模型時，性能會更差。

正確的方法是首先將訓練集 / 測試集分開，然后才應(yīng)用特征生成功能。通常，分別處理訓練集和測試集是一種很好的特征工程模式。

在某些情況下，可能需要在兩者之間傳遞一些信息 —— 例如，我們可能希望在測試集和訓練集上使用相同的 StandardScaler。

總而言之，從錯誤中吸取教訓是件好事，希望上述所提供的錯誤示例能幫助到你。