數(shù)據(jù)挖掘中易栽的10個坑

1.缺乏數(shù)據(jù)

對于分類問題或預(yù)估問題來說，常常缺乏準(zhǔn)確標(biāo)注的案例。

例如：

-欺詐偵測(：在上百萬的交易中，可能只有屈指可數(shù)的欺詐交易，還有很多的欺詐交易沒有被正確標(biāo)注出來，這就需要在建模前花費大量人力來修正。

-信用評分：需要對潛在的高風(fēng)險客戶進(jìn)行長期跟蹤(比如兩年)，從而積累足夠的評分樣本。

2.太關(guān)注訓(xùn)練

就像體育訓(xùn)練中越來越注重實戰(zhàn)訓(xùn)練，因為單純的封閉式訓(xùn)練常常會訓(xùn)練時狀態(tài)神勇，比賽時一塌糊涂。

實際上，只有樣本外數(shù)據(jù)上的模型評分結(jié)果才真正有用!(否則的話，直接用參照表好了!)

例如：

-癌癥檢測(Cancer detection)：MD Anderson的醫(yī)生和研究人員(1993)使用神經(jīng)網(wǎng)絡(luò)來進(jìn)行癌癥檢測，驚奇地發(fā)現(xiàn)，訓(xùn)練時間越長(從幾天延長至數(shù)周)，對訓(xùn)練集的性能改善非常輕微，但在測試集上的性能卻明顯下降。

-機(jī)器學(xué)習(xí)或計算機(jī)科學(xué)研究者常常試圖讓模型在已知數(shù)據(jù)上表現(xiàn)最優(yōu)，這樣做的結(jié)果通常會導(dǎo)致過度擬合(overfit)。

解決方法：

解決這個問題的典型方法是重抽樣(Re-Sampling)。重抽樣技術(shù)包括：bootstrap、cross-validation、jackknife、leave-one-out…等等。

3.只依賴一項技術(shù)

這個錯誤和第10種錯誤有相通之處，請同時參照其解決方法。沒有對比也就沒有所謂的好壞，辯證法的思想在此體現(xiàn)無遺。

“當(dāng)小孩子手拿一把錘子時，整個世界看起來就是一枚釘子?！币胱尮ぷ鞅M善盡美，就需要一套完整的工具箱。

不要簡單地信賴你用單個方法分析的結(jié)果，至少要和傳統(tǒng)方法(比如線性回歸或線性判別分析)做個比較。

研究結(jié)果：按照《神經(jīng)網(wǎng)絡(luò)》期刊的統(tǒng)計，在過去3年來，只有1/6的文章中做到了上述兩點。也就是說，在獨立于訓(xùn)練樣本之外的測試集上進(jìn)行了開集測試，并與其它廣泛采用的方法進(jìn)行了對比。

解決方法：

使用一系列好的工具和方法。(每種工具或方法可能最多帶來5%~10%的改進(jìn))。

4.提錯了問題

一般在分類算法中都會給出分類精度作為衡量模型好壞的標(biāo)準(zhǔn)，但在實際項目中我們卻幾乎不看這個指標(biāo)。為什么?因為那不是我們關(guān)注的目標(biāo)。

a)項目的目標(biāo)：一定要鎖定正確的目標(biāo)

例如：

欺詐偵測(關(guān)注的是正例!)(Shannon實驗室在國際長途電話上的分析)：不要試圖在一般的通話中把欺詐和非欺詐行為分類出來，重點應(yīng)放在如何描述正常通話的特征，然后據(jù)此發(fā)現(xiàn)異常通話行為。

b)模型的目標(biāo)：讓計算機(jī)去做你希望它做的事

大多數(shù)研究人員會沉迷于模型的收斂性來盡量降低誤差，這樣讓他們可以獲得數(shù)學(xué)上的美感。但更應(yīng)該讓計算機(jī)做的事情應(yīng)該是如何改善業(yè)務(wù)，而不是僅僅側(cè)重模型計算上的精度。

5.只靠數(shù)據(jù)來說話

讓數(shù)據(jù)說話”沒有錯，關(guān)鍵是還要記得另一句話：兼聽則明，偏聽則暗!如果數(shù)據(jù)+工具就可以解決問題的話，還要人做什么呢?

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)果是對還是錯。

4b.經(jīng)過設(shè)計的實驗：某些實驗設(shè)計中摻雜了人為的成分，這樣的實驗結(jié)果也常常不可信。

6.使用了未來的信息

看似不可能，卻是實際中很容易犯的錯誤，特別是你面對成千上萬個變量的時候。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(Forecast)示例：預(yù)報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)報示例：使用3日的移動平均來預(yù)報，但卻把移動平均的中點設(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)加上時間戳，避免被誤用。

7.拋棄了不該忽略的案例

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)也可能蘊含同樣重要的價值。

異常值可能會導(dǎo)致錯誤的結(jié)果(比如價格中的小數(shù)點標(biāo)錯了)，但也可能是問題的答案(比如臭氧洞)。所以需要仔細(xì)檢查這些異常。

研究中最讓激動的話語不是“啊哈!”，而是“這就有點奇怪了……”

數(shù)據(jù)中的不一致性有可能會是解決問題的線索，深挖下去也許可以解決一個大的業(yè)務(wù)問題。

例如：

在直郵營銷中，在對家庭地址的合并和清洗過程中發(fā)現(xiàn)的數(shù)據(jù)不一致，反而可能是新的營銷機(jī)會。

解決方法：

可視化可以幫助你分析大量的假設(shè)是否成立。8.試圖回答所有問題

有點像我爬山時鼓勵自己的一句話“我不知道什么時候能登上山峰，但我知道爬一步就離終點近一步?！?

“不知道”是一種有意義的模型結(jié)果。

模型也許無法100%準(zhǔn)確回答問題，但至少可以幫我們估計出現(xiàn)某種結(jié)果的可能性。9.隨便地進(jìn)行抽

9a 降低抽樣水平。例如，MD直郵公司進(jìn)行響應(yīng)預(yù)測分析，但發(fā)現(xiàn)數(shù)據(jù)集中的不響應(yīng)客戶占比太高(總共一百萬直郵客戶，其中超過99%的人未對營銷做出響應(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人抽一個放入樣本集，直到樣本集達(dá)到10 萬人。但模型居然得出如下規(guī)則：凡是居住在Ketchikan、Wrangell和Ward Cove Alaska的人都會響應(yīng)營銷。這顯然是有問題的結(jié)論。(問題就出在這種抽樣方法上，因為原始數(shù)據(jù)集已經(jīng)按照郵政編碼排序，上面這三個地區(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，在信用評分中，因為違約客戶的占比一般都非常低，所以在建模時常常會人為調(diào)高違約客戶的占比(比如把這些違約客戶的權(quán)重提高5倍)。建模中發(fā)現(xiàn)，隨著模型越來越復(fù)雜，判別違約客戶的準(zhǔn)確率也越來越高，但對正?？蛻舻恼`判率也隨之升高。(問題出在數(shù)據(jù)集的劃分上。在把原始數(shù)據(jù)集劃分為訓(xùn)練集和測試集時，原始數(shù)據(jù)集中違約客戶的權(quán)重已經(jīng)被提高過了)

解決方法：

先進(jìn)行數(shù)據(jù)集劃分，然后再提高訓(xùn)練集中違約客戶的權(quán)重。10.太相信最佳模型

還是那句老話-“沒有最好，只有更好!”

可解釋性并不一定總是必要的?？雌饋聿⒉煌耆_或者可以解釋的模型，有時也會有用。

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

一般來說，很多變量看起來彼此都很相似，而最佳模型的結(jié)構(gòu)看上去也千差萬別，無跡可循。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：

把多個模型集裝起來可能會帶來更好更穩(wěn)定的結(jié)果。