你的團(tuán)隊(duì)幾個(gè)月來一直在收集數(shù)據(jù)、構(gòu)建預(yù)測(cè)模型、創(chuàng)建用戶界面，并與一些早期的用戶一起部署新的機(jī)器學(xué)習(xí)產(chǎn)品。但你現(xiàn)在聽到的并不是大家一起慶祝項(xiàng)目勝利的聲音，而是聽到產(chǎn)品經(jīng)理對(duì)那些早期用戶的抱怨，這些早期用戶對(duì)模型精度不滿意并開始認(rèn)為“模型不起作用”。所以你現(xiàn)在應(yīng)該做什么?

我們常常在很多模式識(shí)別實(shí)驗(yàn)室里給相關(guān)組織應(yīng)用機(jī)器學(xué)習(xí)算法到新產(chǎn)品見到這種情況。這不是一個(gè)容易迅速解決的問題。真實(shí)世界的機(jī)器學(xué)習(xí)模型的性能受到許多因素的影響，其中一些因素可能在控制之下，而另一些因素則可能不在控制之下。最重要的是，當(dāng)試圖對(duì)真實(shí)世界的現(xiàn)象建模時(shí)，每個(gè)建模問題都有一個(gè)固有的噪聲或隨機(jī)性被混合在信號(hào)中，這使得很難理解我們使用一個(gè)預(yù)測(cè)模型真正能夠達(dá)到的準(zhǔn)確度。再加上用戶對(duì)你的模型準(zhǔn)確性的期望，你的數(shù)據(jù)科學(xué)團(tuán)隊(duì)就突然陷入了一個(gè)棘手的境地，并試圖找出從哪里開始解決問題。

1. 了解要解決的問題

首先要確保團(tuán)隊(duì)對(duì)他們?cè)噲D用模型解決的用戶問題有很好的理解。令人驚訝的是，數(shù)據(jù)科學(xué)團(tuán)隊(duì)對(duì)成功的定義的理解與用戶的標(biāo)準(zhǔn)經(jīng)常不同。最近，我們與一家公司合作，試圖預(yù)測(cè)惡劣天氣對(duì)公用事業(yè)公司運(yùn)營(yíng)的影響。技術(shù)團(tuán)隊(duì)絞盡腦汁想要提高他們模型的MAPE分?jǐn)?shù)。當(dāng)我們深入研究時(shí)，我們發(fā)現(xiàn)MAPE根本不是正確的度量標(biāo)準(zhǔn)，他們所追求的目標(biāo)是他們自己設(shè)定的(而不是傾聽用戶的意見)。用戶實(shí)際上最關(guān)心的是，我們能夠始終如一地將風(fēng)暴的影響嚴(yán)重程度劃分為1-5級(jí)的能力，這個(gè)劃分是為他們的操作程序定義的。

要確保數(shù)據(jù)科學(xué)團(tuán)隊(duì)對(duì)這個(gè)問題有一個(gè)全面的理解，并且這個(gè)理解最好直接來自用戶，這對(duì)于一個(gè)新計(jì)劃的成功是至關(guān)重要的。如果你的團(tuán)隊(duì)陷入了上面描述的模型“不能工作”的情況，那么第一步就是回去，確保你已經(jīng)正確地定義了問題，并理解你的用戶如何定義成功。

2. 數(shù)據(jù)是否正確、完整?

下一步是回頭查看你的團(tuán)隊(duì)收集的輸入數(shù)據(jù)。通常，在處理復(fù)雜的實(shí)際模型時(shí)，模型性能不好的主要原因是由于輸入數(shù)據(jù)集和特征的問題，而不是模型本身。特別是當(dāng)你運(yùn)行多種類型的模型(我們建議你盡可能這樣做)并得到類似的結(jié)果時(shí)，這通常是輸入數(shù)據(jù)集的問題。

這一步的一個(gè)關(guān)鍵部分是確保你已經(jīng)收集了盡可能多的相關(guān)數(shù)據(jù)。通常，現(xiàn)實(shí)世界的模式中有一些因素并不總是直觀或者明顯的，因此你可以收集的數(shù)據(jù)和特征越多越好。你可以使用許多技術(shù)來降低特征的選擇，以便在最相關(guān)的特征上構(gòu)建模型，我們將在下一個(gè)步驟中討論這些特征。但是對(duì)于這一步，重點(diǎn)是重新檢查你的假設(shè)，哪些輸入的特征影響了你試圖建模的輸出，如果需要，還可以返回以獲取額外的數(shù)據(jù)。例如，當(dāng)試圖為現(xiàn)實(shí)世界的現(xiàn)象建模時(shí)，通常需要考慮一些不明顯的因素，因?yàn)檫@些不明顯的因素會(huì)造成影響，特別是異常情況——例如季節(jié)性、天氣、日歷事件，甚至地緣政治事件。

其次，應(yīng)該進(jìn)行一些簡(jiǎn)單的QA檢查，以確保輸入數(shù)據(jù)得到正確映射和處理。最近，我們與一個(gè)想改善模型性能的客戶進(jìn)行了合作，但最終發(fā)現(xiàn)問題根本不是與模型有關(guān)——客戶錯(cuò)誤地處理了一些地理位置的特征數(shù)據(jù)，這使得他們運(yùn)行的模型無法識(shí)別正確的模式。

CRISP-DM流程是許多數(shù)據(jù)科學(xué)團(tuán)隊(duì)用于管理項(xiàng)目的最常見框架之一。我們喜歡它的重點(diǎn)在于它確保在深入建模之前就能理解業(yè)務(wù)和數(shù)據(jù)。CRISP-DM過程中的兩個(gè)關(guān)鍵步驟是“數(shù)據(jù)理解”和“數(shù)據(jù)準(zhǔn)備”。正確地遵循這些步驟需要深入研究輸入數(shù)據(jù)以真正地理解它，通常需要可視化數(shù)據(jù)中的分布、趨勢(shì)和關(guān)系?！皵?shù)據(jù)準(zhǔn)備”通常包括預(yù)處理、數(shù)據(jù)擴(kuò)充與標(biāo)準(zhǔn)化，以便為建模做準(zhǔn)備。如果處理得當(dāng)，這兩個(gè)步驟可以幫助數(shù)據(jù)科學(xué)家確保輸入數(shù)據(jù)中的錯(cuò)誤不會(huì)導(dǎo)致他以后遇到的任何模型性能問題。

3. 調(diào)整模型提升性能

既然你已經(jīng)盡可能正確和完整地驗(yàn)證了輸入數(shù)據(jù)，現(xiàn)在是時(shí)候關(guān)注有趣的東西了——建模本身。這一步中影響最大的部分之一是特征選擇——從上到下選擇最影響輸出的關(guān)鍵特征，并對(duì)這些特征進(jìn)行訓(xùn)練，消除冗余或高度相關(guān)的特征，以提高模型的速度和準(zhǔn)確度。關(guān)于特征選擇技術(shù)有一些很好的博客文章，包括單變量選擇、遞歸特征消除和隨機(jī)森林特征重要性。這里有一個(gè)可供參考:https://machinelearningmastery.com/feature-selection-machine-learning-python/。無論你使用的是哪種技術(shù)，或者它們的組合，都要確保在這一步上花費(fèi)時(shí)間，為你的模型獲得特征的最佳組合。

此步驟的另一個(gè)重要部分是重新考慮模型的選擇，或者考慮添加額外的模型類型或組合多個(gè)模型。同樣的，也有許多比較不同模型優(yōu)缺點(diǎn)的好文章，但是我們建議盡可能運(yùn)行至少兩種模型類型(理想情況下，一種是神經(jīng)網(wǎng)絡(luò))來比較結(jié)果。

最后,一旦你的特征和選擇的模型確定了后，重新調(diào)參，并且確保你正確地定義訓(xùn)練集,驗(yàn)證集和測(cè)試集，這代表你在調(diào)參時(shí)并沒有選擇欺詐，所以它在新數(shù)據(jù)上可以泛化的很好，而不是在訓(xùn)練集上表現(xiàn)良好甚至過擬合導(dǎo)致在新數(shù)據(jù)上模型沒有良好的工作。

4. 最后，也是最重要的，管理客戶的期望

這是許多數(shù)據(jù)科學(xué)家忽視的另一個(gè)關(guān)鍵步驟，因?yàn)樗麄冋J(rèn)為這“不是他們的工作”。當(dāng)推出一個(gè)面向世界的新機(jī)器學(xué)習(xí)產(chǎn)品時(shí)，模型在真實(shí)世界的性能存在相當(dāng)大的不確定性。此外，如上所述，盡管你盡了最大的努力使準(zhǔn)確度最大化，但是在你正在解決的問題在真實(shí)世界中會(huì)出現(xiàn)的大量噪聲，這可能會(huì)限制模型的性能。所以這個(gè)步驟是數(shù)據(jù)科學(xué)團(tuán)隊(duì)的責(zé)任，需要數(shù)據(jù)科學(xué)團(tuán)隊(duì)去與產(chǎn)品經(jīng)理,銷售人員,客戶正確定義客戶期待在模型中看到的性能,并且在時(shí)間的推移擁有額外的數(shù)據(jù)的情況下，指導(dǎo)他們?nèi)绾稳ビ?xùn)練改善模型。

所以下次你的團(tuán)隊(duì)在模型放入真實(shí)世界里遇到性能問題時(shí),不要玩指責(zé)游戲或直接一頭扎進(jìn)調(diào)參工作進(jìn)行優(yōu)化與擬合，后退一步,跟著這個(gè)簡(jiǎn)單的,結(jié)構(gòu)化的過程一步一步來解決這個(gè)問題,在你的新模型上最大化性能。