前言

在工程中，有多種方法來構建一個關鍵值存儲，并且每個設計都對使用模式做了不同的假設。在統計建模，有各種算法來建立一個分類，每一個算法的對數據集有不同的假設。

在處理少量的數據時，盡量多的去嘗試更多的算法是合理的，并且去 選擇***的算法建立在實驗成本低的情況下。但是，當我們碰到“大數據”時，就需要對數據進行前期分析，然后相應的設計建模流程。(例如預處理、建模、優化算法、評價，產品化)

現在出現了很多的算法，而且有幾十種方法來解決給定的建模問題。每個模型假設不同的東西，如何使用和驗證哪些假設是否合理的其實并不明顯。在工業中，大多數從業者選擇的建模算法，都是他們最熟悉的，而不是選擇一個最適合數據的。接下來，我來分享一些經常我們會忽略并犯錯的地方，謝謝大家指正點評!( 注：標題就用英語，感覺更貼近機器學習算法的原意 )

1. Take default loss function for granted(理所當然的采用默認損失函數)

損失函數 是一個機器學習算法的核心，損失函數決定了最終優化后得到的參數以及模型本身。在不同的業務場景下，優化的目標應該是不同的。許多從業者訓練和選擇***的模型，使用默認的損失函數(比如：均方誤差)。在實踐中，現成的損失函數很少與商業目標相一致。以詐騙偵查為例。當試圖檢測欺詐交易，商業目標是盡量減少欺詐損失。現有的二元分類器的損失函數同樣衡量假陽性和假陰性。為了與商業目標一致，損失函數不僅要懲罰假陰性多于假陽性， 但也懲罰每個假陰性與美元金額的比例。

此外，數據集在欺詐檢測通常包含高度不平衡的標簽。在這種情況下，偏置的損失函數有利于罕見的情況下(例如：通過上/下采樣)。

2. Use plain linear models for non-linear interaction(純線性模型用于非線性相互作用)

這個同樣是經常會犯的錯誤。當構造一個二分類問題，很多人就會直接想到Logistic回歸， 原因很簡單，因為邏輯回歸效率高，實現容易。但是，大家往往都忽略了一點，邏輯回歸本身就是一個線性模型，且非線性相互作用之間的預測需要手動編碼。但是，真實數據是否線性可分卻是我們未知的情況。由于高維數據下判斷數據是否線性可分幾乎是一個不現實的任務，所以個人的經驗往往是先使用邏輯回歸做一次分類，但是同時也會采用決策樹，或者SVM等非線性模型來對該數據進行重新的分類比對。

返回欺詐檢測，高階交互特征如：“賬單地址=發貨地址和交易金額 < $50”需要良好的模型性能。因此，人們應該喜歡非線性模型，如SVM核函數或基于樹的分類，有益于高階交互特征。

3. Forget about outliers(忽略異常值)

異常值是個很有趣的事情，讓你又愛又恨。根據上下文，他們要么值得特別關注，要么完全忽略。以收入預測為例。如果觀察到不同尋常的收入高峰，這可能是一個好主意，要格外注意他們，找出什么原因引起的尖峰。但如果異常是由于機械誤差，測量誤差或其他造成則不適用，在將數據反饋到建模算法之前，濾除這些異常值是個好主意。

有些模型比其他更敏感異常值。例如，AdaBoost可以把這些異常值作為“難樣本(Hard)”的情況下，把較大的權重放在異常值，而決策樹可以簡單地計算每個異常值作為一個錯誤分類。如果數據集包含了大量的異常值，著重的是，要么用魯棒的模型算法去針對異常值，要么濾除異常值。

注：參考他人一段話。

我記得之前在統計之都上看過一篇文章對我啟發很大，說曾經我們都愿意把異常值直接給丟掉，但是我們卻忘記了異常值并非錯誤值，而同樣是真實情況的表現，我們之所以認為異常，只是因為我們的數據量不足夠大而已。文中還舉了一個例子，說我們用計算機來模擬高斯分布，也一樣會模擬出一些數據點落在N個標準差之外，而我們并不能說這是異常點，因為如果我們把這些點刪除掉，這就不是一個高斯分布了。所以異常值很多情況下非但不能丟掉，還需要引起我們的足夠重視和分析。

但是我們又要注意這個異常值是否是錯誤值，如果是錯誤值，這個時候我們就應該想辦法把這些錯誤值去掉，因為這些錯誤往往會影響我們實際的模型效果。如果當訓練數據中包含一些異常值的時候，我們就需要考慮模型的敏感性了，例如AdaBoost, Kmeans這種就屬于對異常值很敏感的機器學習模型。

4. Use high variance model when n<<p(高方差模型使用情況)

支持向量機是***的現有建模算法之一，其***大的功能之一是能夠適應不同核函數的模型。SVM核函數可以被認為是一種方法，自動結合現有的特征去 形成一個更豐富的特征空間。由于這個簡單，大多數都會在訓練SVM模型的時候默認使用核函數。然而，當數 據n<<p(樣本數目 << 特征數目)，常見于醫療數據等行業，更豐富的特征空間意味著有更高的風險過擬合數據。事實上，高方差模型應完全避免(n<<p)。

注： SVM核函數的一個關鍵概念就是維度提升，如果當n << p的時候，還依然采用SVM來選定模型，那么就必然會導致p進一步增加，于是導致特征的參數中自由變量增加，必然會對分類的效果產生很大的影響。

5. L1/L2/… regularization without standardization(正則化前沒有標準化)

應用 L1或L2去懲罰 較大系數是常用的方式去正則化線性或邏輯回歸。然而，許多人不知道應用這些正則化之前特征標準化的重要性。

返回欺詐檢測，想象一個具有交易量特征的線性回歸模型。沒有正則化，如果交易金額單位為美元，擬合系數將是約100倍大于 如果該單位是美分的 擬合系數。有正則化，由于L1 / L2懲罰更大的系數， 如果單位是美元 交易金額將受到懲罰。因此，正規化是有偏見的，往往傾向于懲罰小規模特征。為了緩解這個問題，標準化的所有特征，并把它們作為一個預處理步驟。

6. Use linear model without considering multi-collinear predictors(使用線性模型沒有考慮共線預測)

設想建立一個具有兩個變量X1和X2的線性模型，假設真實模型是y = X1+X2。理想情況下，如果觀察到的數據有少量的噪聲，線性回歸解將找回真實模型。然而，如果X1和X2共線，大多數優化算法的關系，y=2*X1, y=3*X1-X2或y=100*X1-99*X2都是不錯的。

這個問題可能不是有害的，因為它沒有偏差估計。然而，它確實會使問題成為病態，并且使系數權重無法解釋。

7. Interpreting absolute value of coefficients from linear or logistic regression as feature importance

因為許多現有的線性回歸返回的p-value

系數的P值返回每個，

許多人認為線性模型，系數的絕對值越大，對應的特征越重要。這很少是真實的，因為：

改變了變量的規模，就改變了系數說的絕對值;

如果特征是共線的，系數可以從一個特征轉移到其他。

此外，數據集有更多的特征，有更多的可能特征共線，用系數解釋特征重要性的可靠性較差。