數(shù)據(jù)挖掘中易犯的11大錯(cuò)誤(2)

4a.投機(jī)取巧的數(shù)據(jù)：數(shù)據(jù)本身只能幫助分析人員找到什么是顯著的結(jié)果，但它并不能告訴你結(jié)果是對(duì)還是錯(cuò)。

4b.經(jīng)過(guò)設(shè)計(jì)的實(shí)驗(yàn)：某些實(shí)驗(yàn)設(shè)計(jì)中摻雜了人為的成分，這樣的實(shí)驗(yàn)結(jié)果也常常不可信。

5. 使用了未來(lái)的信息（Accept Leaks from the Future）

IDMer：看似不可能，卻是實(shí)際中很容易犯的錯(cuò)誤，特別是你面對(duì)成千上萬(wàn)個(gè)變量的時(shí)候。認(rèn)真、仔細(xì)、有條理是數(shù)據(jù)挖掘人員的基本要求。

預(yù)報(bào)（Forecast）示例：預(yù)報(bào)芝加哥銀行在某天的利率，使用神經(jīng)網(wǎng)絡(luò)建模，模型的準(zhǔn)確率達(dá)到95%。但在模型中卻使用了該天的利率作為輸入變量。

金融業(yè)中的預(yù)報(bào)示例：使用3日的移動(dòng)平均來(lái)預(yù)報(bào)，但卻把移動(dòng)平均的中點(diǎn)設(shè)在今天。

解決方法：

要仔細(xì)查看那些讓結(jié)果表現(xiàn)得異常好的變量，這些變量有可能是不應(yīng)該使用，或者不應(yīng)該直接使用的。

給數(shù)據(jù)加上時(shí)間戳，避免被誤用。

6. 拋棄了不該忽略的案例（Discount Pesky Cases）

IDMer：到底是“寧為雞頭，不為鳳尾”，還是“大隱隱于市，小隱隱于野”？不同的人生態(tài)度可以有同樣精彩的人生，不同的數(shù)據(jù)也可能蘊(yùn)含同樣重要的價(jià)值。

異常值可能會(huì)導(dǎo)致錯(cuò)誤的結(jié)果（比如價(jià)格中的小數(shù)點(diǎn)標(biāo)錯(cuò)了），但也可能是問(wèn)題的答案（比如臭氧洞）。所以需要仔細(xì)檢查這些異常。

研究中最讓激動(dòng)的話(huà)語(yǔ)不是“啊哈！”，而是“這就有點(diǎn)奇怪了……”

數(shù)據(jù)中的不一致性有可能會(huì)是解決問(wèn)題的線(xiàn)索，深挖下去也許可以解決一個(gè)大的業(yè)務(wù)問(wèn)題。

例如：

在直郵營(yíng)銷(xiāo)中，在對(duì)家庭地址的合并和清洗過(guò)程中發(fā)現(xiàn)的數(shù)據(jù)不一致，反而可能是新的營(yíng)銷(xiāo)機(jī)會(huì)。

解決方法：

可視化可以幫助你分析大量的假設(shè)是否成立。

7. 輕信預(yù)測(cè)（Extrapolate）

IDMer：依然是辯證法中的觀點(diǎn)，事物都是不斷發(fā)展變化的。

人們常常在經(jīng)驗(yàn)不多的時(shí)候輕易得出一些結(jié)論。

即便發(fā)現(xiàn)了一些反例，人們也不太愿意放棄原先的想法。

維度咒語(yǔ)：在低維度上的直覺(jué)，放在高維度空間中，常常是毫無(wú)意義的。

解決方法：

進(jìn)化論。沒(méi)有正確的結(jié)論，只有越來(lái)越準(zhǔn)確的結(jié)論。

8. 試圖回答所有問(wèn)題（Answer Every Inquiry）

IDMer：有點(diǎn)像我爬山時(shí)鼓勵(lì)自己的一句話(huà)“我不知道什么時(shí)候能登上山峰，但我知道爬一步就離終點(diǎn)近一步?！?/span>

“不知道”是一種有意義的模型結(jié)果。

模型也許無(wú)法100%準(zhǔn)確回答問(wèn)題，但至少可以幫我們估計(jì)出現(xiàn)某種結(jié)果的可能性。

9. 隨便地進(jìn)行抽樣（Sample Casually）

9a 降低抽樣水平。例如，MD直郵公司進(jìn)行響應(yīng)預(yù)測(cè)分析，但發(fā)現(xiàn)數(shù)據(jù)集中的不響應(yīng)客戶(hù)占比太高（總共一百萬(wàn)直郵客戶(hù)，其中超過(guò)99%的人未對(duì)營(yíng)銷(xiāo)做出響應(yīng)）。于是建模人員做了如下抽樣：把所有響應(yīng)者放入樣本集，然后在所有不響應(yīng)者中進(jìn)行系統(tǒng)抽樣，即每隔10人抽一個(gè)放入樣本集，直到樣本集達(dá)到10萬(wàn)人。但模型居然得出如下規(guī)則：凡是居住在Ketchikan、Wrangell和Ward Cove Alaska的人都會(huì)響應(yīng)營(yíng)銷(xiāo)。這顯然是有問(wèn)題的結(jié)論。（問(wèn)題就出在這種抽樣方法上，因?yàn)樵紨?shù)據(jù)集已經(jīng)按照郵政編碼排序，上面這三個(gè)地區(qū)中不響應(yīng)者未能被抽取到樣本集中，故此得出了這種結(jié)論）。

解決方法：“喝前搖一搖！”先打亂原始數(shù)據(jù)集中的順序，從而保證抽樣的隨機(jī)性。

9b 提高抽樣水平。例如，在信用評(píng)分中，因?yàn)檫`約客戶(hù)的占比一般都非常低，所以在建模時(shí)常常會(huì)人為調(diào)高違約客戶(hù)的占比（比如把這些違約客戶(hù)的權(quán)重提高5倍）。建模中發(fā)現(xiàn)，隨著模型越來(lái)越復(fù)雜，判別違約客戶(hù)的準(zhǔn)確率也越來(lái)越高，但對(duì)正?？蛻?hù)的誤判率也隨之升高。（問(wèn)題出在數(shù)據(jù)集的劃分上。在把原始數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集時(shí)，原始數(shù)據(jù)集中違約客戶(hù)的權(quán)重已經(jīng)被提高過(guò)了）

解決方法：先進(jìn)行數(shù)據(jù)集劃分，然后再提高訓(xùn)練集中違約客戶(hù)的權(quán)重。

10. 太相信最佳模型（Believe the Best Model）

IDMer：還是那句老話(huà)－“沒(méi)有最好，只有更好！”

可解釋性并不一定總是必要的。看起來(lái)并不完全正確或者可以解釋的模型，有時(shí)也會(huì)有用。

“最佳”模型中使用的一些變量，會(huì)分散人們太多的注意力。（不可解釋性有時(shí)也是一個(gè)優(yōu)點(diǎn)）

一般來(lái)說(shuō)，很多變量看起來(lái)彼此都很相似，而最佳模型的結(jié)構(gòu)看上去也千差萬(wàn)別，無(wú)跡可循。但需注意的是，結(jié)構(gòu)上相似并不意味著功能上也相似。

解決方法：把多個(gè)模型集裝起來(lái)可能會(huì)帶來(lái)更好更穩(wěn)定的結(jié)果。