作者：Dataman 譯者：核子可樂 來源：InfoQ

對我來說，數(shù)據(jù)科學(xué)家們使用高級(jí)軟件包、創(chuàng)建令人眼花繚亂的演示方案以及不同算法，絕對是種感官與心靈的雙重享受。數(shù)據(jù)科學(xué)家們有種神秘的氣質(zhì)——穿上一件酷酷的 T 恤、再加上一杯咖啡和一臺(tái)筆記本，然后在不動(dòng)聲色之間成就非凡。

 

 

但這里要給各位從業(yè)者，特別是新手?jǐn)?shù)據(jù)科學(xué)家們提個(gè)醒，某些致命錯(cuò)誤很可能在一夜之間摧毀你的辛勤付出。這些錯(cuò)誤會(huì)損害數(shù)據(jù)科學(xué)家的聲譽(yù)，甚至徹底斷送原本光明的數(shù)據(jù)科學(xué)從業(yè)前景。本文的目標(biāo)也非常簡單：幫助大家規(guī)避這類錯(cuò)誤。

(1) 為什么“Datetime”變量是最重要的變量?

請注意以 yymmdd:hhmmss 格式存在的任意 datetime 字段，我們不能在任何基于樹狀結(jié)構(gòu)的方法中使用此變量。

如下圖所示，該變量的重要性冠絕群倫，這是因?yàn)槠鋷缀醣蛔鳛樗�有記錄的唯一�?biāo)識(shí)符，正如我們會(huì)在決策樹中使用“id”字段一樣。

另外，幾乎可以肯定的是，大家會(huì)直接從該字段中導(dǎo)出年、月、日、工作日等信息。請記住，特征工程的核心，在于捕捉可重復(fù)模式(例如特定某個(gè)月或者某一周)以預(yù)測未來。

雖然在某些模型中，我們可以使用“year”作為變量來解釋過去曾經(jīng)發(fā)生的任何特定波動(dòng)，但請永遠(yuǎn)不要將原始的 datetime 字段用作預(yù)測變量。

 

 

(2) 注意變量中的“0”、“-99”或“-999”

 

 

這些通常屬于缺失值，因此系統(tǒng)將其設(shè)定為極值形式。在參數(shù)回歸當(dāng)中，請勿盲目將它們當(dāng)成可用數(shù)值。

不同的系統(tǒng)，可能會(huì)設(shè)定出“-99”或者“-999”等形式的極值。這些值代表著某些特定含義，且不會(huì)隨機(jī)缺失。請注意，不要在庫等軟件中盲目處理這類普遍存在的問題。

(3) 如何某個(gè)連續(xù)變量中包含“NA”、 “0”、“-99”或“-999”，該怎樣處理?

我建議大家對該連續(xù)變量進(jìn)行歸類，將其中的“0”、“-99”、“NA”等特殊值劃分為獨(dú)立的一類(當(dāng)然也可以采用其他處理方法)。首先，我們可以為該變量設(shè)定分位點(diǎn)：

CD008_cutpoints = quantile(train$CD008, prob = seq(0, 1, 0.1) ,na.rm=TRUE)
CD008_cutpoints

分位點(diǎn)如下所示：

 

 

接下來，利用以上分位點(diǎn)對變量進(jìn)行歸類，從而創(chuàng)建出新的變量。以下代碼就保留有這類特殊值。這里我使用函數(shù) cut() 將連續(xù)變量劃分為分類變量。我使用 case_when() 來分配“-999”、“-99”、“0”以及“NoData”。(請注意，以下為 R 語言代碼，但分類概念也適用于其他編程語言。)

CD008_cutpoints = c(-99,0,1729,3826,5733.5,7763,10003.5,12663,16085,20971,29357,365483)

# The right treament is this:
train <-train %>% mutate(CD008_D = cut(CD008, breaks = CD008_cutpoints) ) %>%
mutate(CD008_D =
case_when(
CD008 == -999 ~ "-999",
CD008 == -99 ~ "-99",
CD008 == 0 ~ "0",
is.na(CD008) ~ "NoData",
TRUE ~ as.character(CD008_D)
) )

# Understand the frequency
train %>% count(CD008_D)

 

 

(4) 強(qiáng)制將分類變量轉(zhuǎn)換為基本變量

大家可能希望把分類變量轉(zhuǎn)換為數(shù)字變量以運(yùn)行回歸，但卻錯(cuò)誤地將分類變量強(qiáng)制轉(zhuǎn)換為數(shù)字變量。下圖所示為將類別“AP006”強(qiáng)行轉(zhuǎn)換為數(shù)字變量的結(jié)果。如果在回歸中使用這個(gè)新變量，則品牌“Android”的值將比“h5”的值高出兩倍。

# Understand the frequency
train %>% count(AP006)
# The original categorical variable
head(train$AP006,20)
# Converted (mistakenly) to a numeric variable
newvar = as.numeric(train$AP006)
head(newvar,20)

 

 

(5) 忘記處理回歸中的異常值

 

 

圖中的異常值會(huì)導(dǎo)致您的回歸偏向該觀察值，并導(dǎo)致預(yù)測結(jié)果發(fā)生偏差。

(6) 要求線歸回歸中的因變量符合正態(tài)假設(shè)

因變量 Y 不必遵循正態(tài)分布，但是預(yù)測 Y 的相關(guān)誤差應(yīng)該遵循正態(tài)分布。數(shù)據(jù)科學(xué)家經(jīng)常檢查因變量直方圖中的正態(tài)性假設(shè)。在這種特定情況下，如果因變量遵循正態(tài)分布，則會(huì)引發(fā)錯(cuò)誤。

需要再次強(qiáng)調(diào)，基本根據(jù)是線性回歸的誤差應(yīng)遵循正態(tài)分布，或者因變量本身會(huì)呈現(xiàn)出有條件的正態(tài)分布。我們先來回憶一下線性回歸的定義：在 X 的每個(gè)值中，都存在一個(gè)符合正態(tài)分布的有條件 Y 分布。以下為線性回歸的四大基本假設(shè)：

X 與 Y 之間為線性相關(guān)。
誤差為正態(tài)分布。
誤差具有同方差性(或者說與線周圍的方差相關(guān))。
觀察的獨(dú)立性。

根據(jù)大數(shù)定律與中心極限定理，線性回歸中的最小二乘法(OLS)估計(jì)值仍將近似真實(shí)地分布在參數(shù)真值周圍。因此，在一個(gè)大樣本中，即使因變量不符合“正態(tài)假設(shè)”規(guī)則，線性回歸方法仍能夠發(fā)揮作用。

(7) 要求線性回歸中的預(yù)變量符合正態(tài)假設(shè)

那么預(yù)測變量 X 呢?回歸不會(huì)假設(shè)預(yù)測變量具有任何分布屬性，其唯一的要求就是檢查是否存在異常值(可使用盒型圖檢查異常值)。如果存在，則在該預(yù)測變量中應(yīng)用上限與下限方法。

(8) 是否需要在決策樹中做出分布假設(shè)?

 

 

在參數(shù)式(例如線性回歸)中，我們可以檢查目標(biāo)變量的分布以選擇正確的分布。例如，如果目標(biāo)變量呈現(xiàn)出 gamma 分布，則可以在廣義線性模型(GLM)中選擇 gamma 分布。

但是，決策樹不會(huì)對目標(biāo)變量進(jìn)行假設(shè)。決策樹的基本工作原理，是將每個(gè)父節(jié)點(diǎn)盡可能劃分為不同的節(jié)點(diǎn)。決策樹不會(huì)對初始群體或者最終群體的分布做任何假設(shè)。因此，分布的性質(zhì)不影響決策樹的實(shí)現(xiàn)。

(9) 是否需要在決策樹中為預(yù)測變量設(shè)置上限與下限?

 

 

在參數(shù)式(例如線性回歸)中，我們必須將異常值的上限設(shè)置為 99%(或 95%)并將下限設(shè)置為 1%(或 5%)，從而處理異常值。在基于樹狀結(jié)構(gòu)的算法當(dāng)中，基本不需要在決策樹中設(shè)置上限與下限。

換言之，決策樹對于異常值具有魯棒性。樹算法會(huì)在同數(shù)值基礎(chǔ)上拆分?jǐn)?shù)據(jù)點(diǎn)，因此離群值不會(huì)對拆分產(chǎn)生太大影響。實(shí)際上，如何處理取決于您的超參數(shù)設(shè)置方式。

(10) 我的樹中沒有多少變量，或者變量數(shù)極少

這可能代表大家把復(fù)雜度參數(shù)(cp)設(shè)置得太高。復(fù)雜度參數(shù)(cp)代表的是每個(gè)節(jié)點(diǎn)所需要的最小模型改進(jìn)。我們可以借此拆分節(jié)點(diǎn)來改善相對誤差量。如果對初始根節(jié)點(diǎn)進(jìn)行拆分，且相對誤差從 1.0 降至 0.5，則根節(jié)點(diǎn)的 cp 為 0.5。

(11) 忘記對 K 均值中的變量進(jìn)行標(biāo)準(zhǔn)化

 

 

K 均值聚類可能是目前最流行的無監(jiān)督技術(shù)，也確實(shí)能夠帶來很好的聚類效果。但是，如果沒有將變量標(biāo)準(zhǔn)化為相同的大小，則可能給集群結(jié)果乃至業(yè)務(wù)應(yīng)用帶來災(zāi)難性的后果。

這里，我們用一個(gè)簡單的例子進(jìn)行解釋。假設(shè)(X,Y)空間中的 P1、P2 與 P3 位置分別為(3000，1)、(2000，2)以及(1000，3)。K 均值計(jì)算出 P1 與 P2 之間的距離為 1000.0005。由于 X 的大小決定 Y 值，因此 X 會(huì)給結(jié)果帶來錯(cuò)誤影響。我們需要將 X 與 Y 設(shè)置為相同的大小。在本示例中，我們可以在 K 均值中將 X 表示為 X2 以計(jì)算距離。

 

 

下面列出幾種可行方法：

(1) 縮放至 (0,1):

range01 <- function(x){(x-min(x))/(max(x)-min(x))}

range01(X)

(2) Z 分?jǐn)?shù)：

scale(X, center = TRUE, scale = TRUE)

(3) 達(dá)到與先驗(yàn)知識(shí)相同的程度。在本示例中，我們知道 X 的大小為 Y 的 1000 倍，因此可以將 X 除以 1000 來生成 X2，其大小與 Y 相同。

原文鏈接：Avoid These Deadly Modeling Mistakes that May Cost You a Career

標(biāo)簽： 數(shù)據(jù) 蒲Ъ

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。