開發(fā)者成功使用機器學(xué)習(xí)的十大訣竅

基于云的機器學(xué)習(xí)工具帶來了使用機器學(xué)習(xí)創(chuàng)造和提供新的功能的可能性。然而，當(dāng)我們使用不當(dāng)時，這些工具會輸出不好的結(jié)果。想要在應(yīng)用程序中成功地融入機器學(xué)習(xí)的開發(fā)者，需要注意十大關(guān)鍵要點。

在提供發(fā)現(xiàn)埋藏數(shù)據(jù)深層的模式的能力上，機器學(xué)習(xí)有著潛在的能力使得應(yīng)用程序更加的強大并且更能響應(yīng)用戶的需求。精心調(diào)校好的算法能夠從巨大的并且互不相同的數(shù)據(jù)源中提取價值，同時沒有人類思考和分析的限制。對于開發(fā)者而言，機器學(xué)習(xí)為應(yīng)用業(yè)務(wù)的關(guān)鍵分析提供了希望，從而實現(xiàn)從改善客戶體驗到提供產(chǎn)品推薦上升至超個性化內(nèi)容服務(wù)的任何應(yīng)用程序。

像Amazon和Micorosoft這樣的云供應(yīng)商提供云功能的機器學(xué)習(xí)解決方案，承諾為開發(fā)者提供一個簡單的方法，使得機器學(xué)習(xí)的能力能夠融入到他們的應(yīng)用程序當(dāng)中，這也算是最近的頭條新聞了。承諾似乎很好，但開發(fā)者還需謹(jǐn)慎。

對于開發(fā)人員而言，基于云的機器學(xué)習(xí)工具帶來了使用機器學(xué)習(xí)創(chuàng)造和提供新的功能的可能性。然而，當(dāng)我們使用不當(dāng)時，這些工具會輸出不好的結(jié)果，用戶可能會因此而感到不安。測試過微軟年齡檢測機器學(xué)習(xí)工具的人都會發(fā)現(xiàn)，伴隨即插即用的易用性而來的是主要的精度問題——對于關(guān)鍵應(yīng)用程序或者是重大決策，它應(yīng)該不值得信賴。

想要在應(yīng)用程序中成功地融入機器學(xué)習(xí)的開發(fā)者，需要注意以下的一些關(guān)鍵要點：

1. 算法使用的數(shù)據(jù)越多，它的精度會更加準(zhǔn)確，所以如果可能要盡量避免抽樣。機器學(xué)習(xí)理論在預(yù)測誤差上有著非常直觀的描述。簡而言之，在機器學(xué)習(xí)模型和最優(yōu)預(yù)測（在理論上達到最佳可能的誤差）之間的預(yù)測誤差的差距可以被分解為三個部分：

• 由于沒有找到正確函數(shù)形式的模型的誤差
• 由于沒有找到最佳參數(shù)的模型的誤差
• 由于沒用使用足夠數(shù)據(jù)的模型的誤差

如果訓(xùn)練集有限，它可能無法支撐解決這個問題所需的模型復(fù)雜性。統(tǒng)計學(xué)的基本規(guī)律告訴我們，如果我們可以的話，應(yīng)該利用所有的數(shù)據(jù)而不是抽樣。

2. 對給定的問題選擇效果最好的機器學(xué)習(xí)算法是決定成敗的關(guān)鍵。例如，梯度提升樹（GBT）是一個非常受歡迎的監(jiān)督學(xué)習(xí)算法，由于其精度而被業(yè)內(nèi)開發(fā)人員廣泛使用。然而，盡管其高度受歡迎，我們也不能盲目的把這種算法應(yīng)用于任何問題上。相反，我們使用的算法應(yīng)該是能夠最佳地擬合數(shù)據(jù)特征同時能夠保證精度的算法。

為了證明這個觀點，嘗試做這樣一個實驗，在數(shù)據(jù)集 the popular text categorization dataset rcv1上測試GBT算法和線性支持向量機（SVM）算法，并比較兩者的精度。我們觀察到在這個問題上，就錯誤率而言，線性SVM要優(yōu)于GBT算法。這是因為在文本領(lǐng)域當(dāng)中，數(shù)據(jù)通常是高維的。一個線性分類器能夠在N-1維當(dāng)中完美的分離出N個樣本，所以，一個樣本模型在這種數(shù)據(jù)上通常表現(xiàn)的更好。此外，模型越簡單，通過利用有限的訓(xùn)練樣本來避免過擬合的方式學(xué)習(xí)參數(shù)，并且提供一個精確的模型，產(chǎn)生的問題也會隨之越少。

另一方面，GBT是高度非線性的并且更加強大，但是在這種環(huán)境中卻更難學(xué)習(xí)并且更容易發(fā)生過擬合，往往結(jié)果精度也較低。

3. 為了得到一個更好的模型，必須選擇最佳的的算法和相關(guān)的參數(shù)。這對于非數(shù)據(jù)科學(xué)家而言可能不容易?，F(xiàn)代的機器學(xué)習(xí)算法有許多的參數(shù)可以調(diào)整。例如，對于流行的GBT算法單獨的就有十二個參數(shù)可以設(shè)置，其中包括如何控制樹的大小，學(xué)習(xí)率，行或列的采樣方法，損失函數(shù)，正則化選項等等。一個特有的項目需要在給定的數(shù)據(jù)集上為每一個參數(shù)找到其最優(yōu)值并且達到最精準(zhǔn)的精度，這確實不是一件容易的事。但是為了得到最佳的結(jié)果，數(shù)據(jù)科學(xué)家需要訓(xùn)練大量的模型，而直覺和經(jīng)驗會幫助他們根據(jù)交叉驗證的得分，然后決定使用什么參數(shù)再次嘗試。

4. 機器學(xué)習(xí)模型會隨著好的數(shù)據(jù)而變得更好，錯誤的數(shù)據(jù)收集和數(shù)據(jù)處理會降低你建立預(yù)測和歸納的機器學(xué)習(xí)模型的能力。根據(jù)經(jīng)驗，建議仔細(xì)審查與主題相關(guān)的數(shù)據(jù)，從而深入了解數(shù)據(jù)和幕后數(shù)據(jù)的生成過程。通常這個過程可以識別與記錄、特征、值或采樣相關(guān)的數(shù)據(jù)質(zhì)量問題。

5. 理解數(shù)據(jù)特征并改進它們（通過創(chuàng)造新的特征或者去掉某個特征）對預(yù)測能力有著高度的影響。機器學(xué)習(xí)的一個基本任務(wù)就是找到能夠被機器學(xué)習(xí)算法充分利用的豐富特征空間來替代原始數(shù)據(jù)。例如，特征轉(zhuǎn)換是一種流行的方法，可以通過在原始數(shù)據(jù)的基礎(chǔ)上使用數(shù)學(xué)上的轉(zhuǎn)換提取新的特征來實現(xiàn)。最后的特征空間（也就是最后用來描述數(shù)據(jù)的特征）要能更好的捕獲數(shù)據(jù)的多復(fù)雜性（如非線性和多種特征之間的相互作用），這對于成功的學(xué)習(xí)過程至關(guān)重要。

6. 在應(yīng)用中，選擇合適的靈感來自商業(yè)價值的目標(biāo)函數(shù)/損失函數(shù)對于最后的成功至關(guān)重要。幾乎所有的機器學(xué)習(xí)算法最后都被當(dāng)成是一種優(yōu)化問題。根據(jù)業(yè)務(wù)的性質(zhì)，合理設(shè)置或調(diào)整優(yōu)化的目標(biāo)函數(shù)，是機器學(xué)習(xí)成功的關(guān)鍵。

以支持向量機為例，通過假設(shè)所有錯誤類型的權(quán)重相等，對一個二分類問題的泛化誤差進行了優(yōu)化。這對損失敏感的問題并不合適，如故障檢測，其中某些類型的錯誤比重可能比其它類型的要高。在這種情況下，建議通過在特定的錯誤類型上，增加更多的懲罰來解釋它們的權(quán)重，從而調(diào)整SVM的損失函數(shù)。

7. 確保正確地處理訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，如此當(dāng)在生產(chǎn)中部署該模型時，測試數(shù)據(jù)能夠模擬輸入數(shù)據(jù)。例如，我們可以看到，這對于時間依賴性數(shù)據(jù)是多么的重要。在這種情況下，使用標(biāo)準(zhǔn)的交叉驗證方法進行訓(xùn)練，調(diào)整，那么測試模型的結(jié)果可能會有偏差，甚至?xí)粶?zhǔn)確。這是因為在實施平臺上它不能準(zhǔn)確的模擬輸入數(shù)據(jù)的性質(zhì)。為了糾正這一點，在部署時我們必須仿照模型來部署使用。我們應(yīng)該使用一個基于時間的交叉驗證，用時間較新的數(shù)據(jù)來驗證訓(xùn)練模型。

8. 部署前理解模型的泛化誤差。泛化誤差衡量模型在未知數(shù)據(jù)上的性能好壞。因為一個模型在訓(xùn)練數(shù)據(jù)上的性能好并不意味著它在未知的數(shù)據(jù)上的表現(xiàn)也好。一個精心設(shè)計的模擬實際部署使用的模型評估過程，是估計模型泛化誤差所需要的。

一不留心就很容易違反交叉驗證的規(guī)則，并且也沒有一種顯而易見的方法來表現(xiàn)交叉驗證的非正確性，通常在你試圖尋找快捷方式計算時發(fā)生。在任何模型部署之前，有必要仔細(xì)注意交叉驗證的正確性，以獲得部署性能的科學(xué)評估。

9. 知道如何處理非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)，如文本、時間序列、空間、圖形或者圖像數(shù)據(jù)。大多數(shù)機器學(xué)習(xí)算法在處理特征空間中的數(shù)據(jù)時，一個特征集代表一個對象，特征集的每一個元素都描述對象的一個特點。在實際當(dāng)中，數(shù)據(jù)引進時并不是這種格式化的形式，往往來自于最原始的格式，并且最后都必須被改造成機器學(xué)習(xí)算法能夠識別的理想格式。比如，我們必須知道如何使用各種計算機視覺技術(shù)從圖像中提取特征或者如何將自然語言處理技術(shù)應(yīng)用于影片文本。

10. 學(xué)會將商業(yè)問題轉(zhuǎn)換成機器學(xué)習(xí)算法。一些重要的商業(yè)問題，比如欺詐檢測、產(chǎn)品推薦、廣告精準(zhǔn)投放，都有“標(biāo)準(zhǔn)”的機器學(xué)習(xí)表達形式并且在實踐當(dāng)中取得了合理的成就。即使對于這些眾所周知的問題，也還有鮮為人知但功能更強大的表達形式，從而帶來更高的預(yù)測精度。對于一般在博客和論壇中討論的小實例的商業(yè)問題，適當(dāng)?shù)臋C器學(xué)習(xí)方法則不太明顯。

如果你是一個開發(fā)者，學(xué)習(xí)這十個通往成功的訣竅可能似乎是一個艱難的任務(wù)，但是不要氣餒。事實上，開發(fā)者不是數(shù)據(jù)科學(xué)家。認(rèn)為開發(fā)人員可以充分利用所有的機學(xué)習(xí)工具是不公平的。但是這并不意味著開發(fā)人員沒有機會去學(xué)習(xí)一些有水準(zhǔn)的數(shù)據(jù)科學(xué)從而改進他們的應(yīng)用。隨著適當(dāng)?shù)钠髽I(yè)解決方案和自動化程度的提高，開發(fā)人員可以做模型構(gòu)建到實施部署的一切事情，使用機器學(xué)習(xí)最佳實踐來保持高精度。

自動化是在應(yīng)用程序中擴展機器學(xué)習(xí)的關(guān)鍵。即使你能夠供得起一批小的數(shù)據(jù)科學(xué)家團隊和開發(fā)者攜手合作，也沒有足夠的人才。像Skytree的AutoModel（自動化模型）能夠幫助開發(fā)者自動地確定最佳的參數(shù)并且使得算法得到最大的模型精度。一個易于使用的接口可以引導(dǎo)開發(fā)人員通過訓(xùn)練加工，調(diào)整并且測試模型來防止統(tǒng)計上的錯誤。

自動化機器學(xué)習(xí)過程，有許多方式，包括數(shù)據(jù)科學(xué)家或開發(fā)者的人工智能原理，允許算法去思考，學(xué)習(xí)并且承受更多的建模重任。也就是說，認(rèn)為數(shù)據(jù)科學(xué)家能夠從機器學(xué)習(xí)中解耦是錯誤的，特別是在關(guān)鍵任務(wù)模型上。謹(jǐn)防這種能夠簡單使用機器學(xué)習(xí)功能的承諾，即能夠在不需要正確復(fù)雜的思考下或者可擴展的應(yīng)用技術(shù)下就使用機器學(xué)習(xí)——這通常并不會得到高預(yù)測精度和機器學(xué)習(xí)提供的高商業(yè)價值結(jié)果。更糟糕的是，在應(yīng)用程序中使用不好的模型實際上可能會適得其反，并迅速在其用戶之間建立不信任的產(chǎn)品或服務(wù)。

文章來自：CSDN 英文原文： 10 keys to successful machine learning for developers （譯者/劉帝偉）

作者簡介：Alexander Gray，Skytree首席技術(shù)官，佐治亞理工學(xué)院計算機學(xué)院副教授，主要致力于大規(guī)模數(shù)據(jù)集的機器學(xué)習(xí)算法技術(shù)研發(fā)，1993年開始在NASA噴氣推進實驗室機器學(xué)習(xí)系統(tǒng)小組從事大規(guī)?？茖W(xué)數(shù)據(jù)的工作。

譯者簡介： 劉帝偉，中南大學(xué)軟件學(xué)院在讀研究生，關(guān)注機器學(xué)習(xí)、數(shù)據(jù)挖掘及生物信息領(lǐng)域。

End.

生成海報

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。