盘点：机器学习实践中应避免几种常见错误

　　【中国智能制造网 技术前沿】在机器学习领域，每个给定的建模问题都存在几十种解法，本文作者认为，模型算法的假设并不一定适用于手头的数据；在追求模型佳性能时，重要的是选择适合数据集（尤其是“大数据”）的模型算法。　　
　　统计建模和工程开发很相似。在工程开发中，人们有多种方法搭建一套键-值存储系统，每种设计针对使用模式有一套不同的假设。在统计建模中，也有很多算法来构造一个分类器，每种算法对数据也有各自的假设集合。
　　
　　当处理少量数据时，因为实验成本很低，我们尽可能多的尝试各种算法，从而选出效果优的算法。但提到“大数据”，提前分析数据，然后设计相应“管道”模型（预处理，建模，优化算法，评价，产品化）是事半功倍的。
　　
　　正如在我以前的文章里提到，每个给定的建模问题都存在几十种解法。每个模型会提出不同的假设条件，我们也很难直观辨别哪些假设是合理的。在业界，大多数从业人员倾向于挑选他们熟悉的建模算法，而不是适合数据集的那个。在这篇文章中，我将分享一些常见的认识误区（要避免的）。在今后的文章中再介绍一些佳实践方法（应该做的）。
　　
　　1.想当然地使用默认损失函数
　　
　　很多从业者喜欢用默认的损失函数（比如平方误差）来训练和选择优模型。事实上，默认的损失函数很少能满足我们的业务需求。拿诈骗检测来说。当我们检测诈骗交易时，我们的业务需求是尽量减少诈骗带来的损失。然而现有二元分类器默认的损失函数对误报和漏报的危害一视同仁。对于我们的业务需求，损失函数不仅对漏报的惩罚要超过误报，对漏报的惩罚程度也要和诈骗金额成比例。而且，诈骗检测的训练数据集往往正负样本极度不均衡。在这种情况下，损失函数就要偏向于照顾类（如通过升/降采样等）。
　　
　　2.用普通线性模型处理非线性问题
　　
　　当需要构建一个二元分类器时，很多人马上就想到用逻辑回归，因为它很简单。但是，他们忘记了逻辑回归是线性模型，非线性因素的交叉特征需要靠手工编码处理。回到刚才诈骗检测的例子，要获得好的模型效果，就需要引入“帐单地址=送货地址&&交易金额<$50”之类的高阶交叉特征。因此，在处理包含交叉特征的问题上我们应该尽可能选择非线性模型，比如有核函数的SVM，或者基于树的分类器。
　　
　　3.忽视异常值
　　
　　异常值很有意思。根据上下文情况，它们要么需要被特别处理，要么应该被完全忽略。就拿收入预测来说。如果观察到收入有异常尖峰，我们可能要加倍注意他们，并分析是什么原因造成这些峰值。但如果异常值是由于机械误差、测量误差或者其它任何非普遍化因素导致的，那我们好在准备训练数据之前过滤掉这些异常值。