反思这6个常见病

尽管我们对经典理论教材能做到人手一册，如数家珍，但是在实际应用中，一方面，我们常常会疏忽掉理论，甚至是理论常识；另一方面，不考虑实际情况，首先上马复杂理论模型却几乎是我们的一种时尚。这让无数项目（也包括我做过的项目）走了不少弯路，所以在这里做个总结。

文章目录
一、指标定义粗糙
二、唯模型论
三、没有baseline
四、测试数据的比例太少
五、缺乏对指标结果的审查
六、忽略数据泄露

一、指标定义粗糙

这是缺乏个性化建模的意识的一个体现。

实际业务场景有特定的需求，在清晰理解需求的基础上，选用甚至自定义尽可能准确的指标。一般模型中，指标定义对模型训练的指导流程如图1所示。

img1.png

​ 图1.指标指导模型的调整

例如一个资产价值评估类项目，最初想当然地认为用户肯定是期望越准越好，所以用的指标是平均绝对百分率误差（Mean Absolute Percent Error），即每条样本评估价格与真实价格之间误差，在真实价格中所占的比例。

然而，实际使用中，尽管某些区域的MAPE很高，但用户反映体验并不好，也就是MAPE没有准确反映用户的体验。

原来，用户的需求是：每次估值只要偏差不是太大，均可接受。但是明显的偏离客观价值的结果，会被用户识别。

所以定义了一个新的指标——可用度：即MAPE在某一阈值（该阈值与用户沟通）内的测试样本的比例。这个指标非常好地反映了用户的感受，有效地改善了自测的客观性，项目优化。

在神经网络架构中，损失函数是模型调参的关键，除了准确的指标定义，还需要定义准确的损失函数。如图2所示。（而其他非神经网络模型，例如集成提升树、线性回归、逻辑回归，损失函数自定义的难度较高，不建议改动）

img2.png

​ 图2.在神经网络模型中，指标定义、损失函数共同指导模型的调整

二、唯模型论

这是缺乏个性化建模的意识的另一个体现。

很多算法工程师热衷使用机器学习模型，认为只有这样才能体现算法工程师的价值。

然而从实践上来说，应用机器学习模型至少需要三个必要条件：

• 存在可供学习的潜在模式。

  虽然理论上万事万物皆有联系，即潜在模式，但关键是要“可供学习”。例如用今天的湿度预测明天的天气，这种潜在模式是可供学习的。但是用今天的湿度预测今晚足球比赛的胜负，天气与比赛胜负之间的潜在模式在有限的数据集上很难学习，即可认为是不存在。

  如果不存在，则无法应用机器学习 。

• 没有可编程实现的的简单定义 。

  如果我们已经熟知了某领域的规律，可以指定简单规则来实现，为何还要化简为繁，让机器学习来学习这个规律？

  在图像、语音、文本等模式识别这些领域，定义规则的经验门槛非常高，完备的规则几乎不可能。这时候，适合应用机器学习，从海量数据中挖掘规则。

• 掌握关于这个模式的数据

不仅要有数据，而且必须包含该模式，这就要求数据状况达到一定的要求。

如果以上三个条件有一条不满足，则不应该使用机器学习模型。

此外，如果期望在已掌握数据上实现最高的预测可靠性，可直接在已知数据上用检索；而在未知数据上，使用机器学习模型。

三、没有baseline

baseline是指基础方法及其对应的指标，用来衡量其他改进方法的好坏。

精巧复杂的模型总是深得技术人的喜欢，然后在实践中针对特定问题应用复杂模型的同时，有必要构造一些baseline，甚至是强baseline，即在保证方法简单的同时还有相当不错的指标，以挑战复杂模型，最终方便我们权衡性能与代价，选取最合适的方法。

一般来说，简单和复杂的方法能达到同样的效果，那简单的方法更可靠。

构造方法即人工规则、或简单模型、或是该问题的常规方法。

四、测试数据的比例太少

尽管这是所有的机器学习教程上老生常谈的话题，但是工作中还是常见很多项目用非常小的测试集，例如用了2万条训练，500条测试。这是非常不合适的。测试的目的是评估模型在未知数据上的表现。如果测试比例非常少，则测试结果的随机性非常大（设想极端情况即仅用1条数据测试，指标会变得非常随机），指标的高或低很难反映模型表现。

但是我们手头的数据量又是有限的，如果分配的测试数据太多，训练数据就会太少，导致模型又没有见到足够多的数据。

所以建议：

• 如果指标是用来自评，则用30%的数据进行测试，或者至少用20%测试。

• 如果要获得最大说服力的指标，以和其他模型进行横向对比，建议用交叉验证，5折及以上。

五、缺乏对指标结果的审查

如果复杂问题却能获得很好的结果，一定要进行审查。因为大概率是存在问题的。

比如这样一个行为预测项目：即用已发生的行为序列预测下一个行为。事件池包含4000种事件，行为序列为顺序发生的5个事件。用数万条序列来训练，获得了0.8的正确率（accuracy）。

问题其实很明显：首先，这是个典型的组合问题，有4000的6次方种序列的可能（天文数字！），用数万条样本训练，几乎是沧海一粟。其次，即使不考虑行为序列里4000的5次方种组合，只考虑最终要预测的target就有4000种行为，竟然能预测出80%的正确率，几乎可以肯定是测试中存在问题。

六、忽略数据泄露

所谓数据泄露（data leakage），是指已知数据集的特征（即X）中包含了目标值（即Y）的强相关特征，而在实际评估阶段，输入数据中并不包含这些强相关特征。这将导致我们训练得很好，测试得很好，但是实际应用时，结果非常差。

例如：

• 房屋价格评估项目

  在特征工程中我们把每个小区均价作为特征，将获得非常棒的训练指标、测试指标。原因是模型几乎是把本小区均价拿来用了。

  但是，在实际使用时，由于用户不会输入本小区均价（要知道均价还评什么劲？），你只能去检索最近小区的均价，模型的表现将取决于最近小区的均价是否与目标小区均价接近，接近则表现很棒，否则将非常糟糕。

• 行为序列预测项目

  行为序列的生成方法是：拿出一批种子用户，从他们每个人很长的行为序列里，用尺寸为6的滑动窗口，每滑动一步，生成一个样本（即5个行为预测1个行为）。这样凑齐数万条数据。然后从中随机抽出训练数据，测试数据。

  问题就出在训练数据与测试数据的分割方式上。因为这种随机抽取的方式，导致一个用户的行为序列在训练数据与测试数据中均有分布，训练好的模型已经见过几乎全部测试数据里的行为序列（尽管有1位的差异）。测试数据比例非常少，甚至不到3%。获得了0.8的正确率大致是可能的。但是实际应用中的效果预期堪忧。

如有问题，欢迎评论交流。