資料科學和機器學習正變得越來越流行，這個領域的人數每天都在增加。這意味著有許多資料科學家在建立他們的第一個機器學習模型時沒有豐富的經驗，而這也是錯誤可能會發生的地方。
近日，軟體架構師、資料科學家、Kaggle 大師Agnis Liukis 撰寫了一篇文章，他在文中談了談在機器學習中最常見的一些初學者錯誤的解決方案，以確保初學者了解並避免它們。
##Agnis Liukis 擁有超過15 年的軟體架構和開發經驗，他熟練掌握Java、JavaScript、Spring Boot、React.JS 和Python 等語言。此外，Liukis 還對數據科學和機器學習感興趣，他多次參加 Kaggle 比賽並取得好成績，已達到 Kaggle 比賽大師級別。
以下是文章內容：
對資料進行歸一化操作，然後取得特徵，並將其輸入到模型中，讓模型做出預測，這種方法是很容易的。但在某些情況下，這種簡單方法的結果可能會讓人失望，因為它缺少一個非常重要的部分。
某些類型的模型需要資料歸一化，如線性迴歸、經典神經網路等。這類模型使用特徵值去乘訓練值的權重。在非歸一化特徵的情況下，一個特徵值的可能範圍可能不同於另一個特徵值的可能範圍。
假設一個特徵的值在 [0，0.001] 範圍內，另一個特徵的值在 [100000，200000] 範圍內。對於使兩個特徵同等重要的模型，第一個特徵的權重將比第二個特徵的權重大 1 億倍。巨大的權重可能會為模型帶來嚴重問題，例如存在一些異常值的時候。此外，估計各種特徵的重要性變得困難，因為權重大可能意味著特徵很重要，但也可能只是意味著其特徵值很小。
歸一化後，所有特徵的值都在相同的範圍內，通常為 [0，1] 或 [-1，1]。在這種情況下，權重將在相似的範圍內，並與每個特徵的實際重要性密切對應。
總的來說，在需要的地方使用資料歸一化將產生更好、更準確的預測。
有人可能會認為加入所有特徵是一個好主意，認為模型會自動選擇並使用最好的特徵。實際上，這種想法很難成真。
模型的特徵越多，過度擬合的風險就越大。即使在完全隨機的數據中，模型也能夠找到一些特徵（訊號），儘管有時較弱，有時較強。當然，隨機雜訊中沒有真實訊號。但如果我們有足夠多的雜訊列，則該模型有可能根據偵測到的故障訊號使用其中的一部分。當這種情況發生時，模型預測品質將會降低，因為它們在一定程度上是基於隨機雜訊。
現在有許多技術幫助我們進行特徵選擇。但你要記住，你需要解釋你擁有的每一個特徵，以及為什麼這個特徵會幫助你的模型。
基於樹的模型易於使用，功能強大，這也是其受歡迎的原因。然而，在某些情況下，使用基於樹的模型可能是錯誤的。
基於樹的模型無法外推，這些模型的預測值永遠不會大於訓練資料中的最大值，而且在訓練中也永遠不會輸出比最小值更小的預測值。
在某些任務中，外推能力可能非常重要。例如，如果模型預測股票價格，那麼未來股票價格可能會比以往任何時候都高。在這種情況下，基於樹的模型將無法直接使用，因為它們的預測幾乎會超過最高歷史價格。
這個問題有多種解決方案，一種解決方案是預測變化或差異，而不是直接預測價值。另一種解決方案是為此類任務使用不同類型的模型。線性迴歸或神經網路就可以進行外推。
之前文章談到了資料歸一化的必要性，但情況並非總是如此，基於樹的模型不需要數據歸一化。神經網路可能也不需要明確的歸一化，因為有些網路內部已經包含歸一化層，例如 Keras 函式庫的 BatchNormalization 操作。
在某些情況下，即使是線性迴歸也可能不需要資料歸一化，這是指所有特徵都已處於類似的值範圍，並且具有相同的含義。例如，如果模型適用於時間序列數據，並且所有特徵都是相同參數的歷史值。
#造成資料外洩比人們想像的要容易，考慮以下程式碼片段：
資料外洩的範例特性
實際上上，這兩種特徵（sum_feature 和diff_feature）都不正確。它們正在洩漏訊息，因為在拆分到訓練集 / 測試集後，具有訓練資料的部分將包含來自測試的一些資訊。這將導致更高的驗證分數，但當應用於實際的資料模型時，效能會更差。
正確的方法是先將訓練集 / 測試集分開，然後才套用特徵產生功能。通常，分別處理訓練集和測試集是一種很好的特徵工程模式。
在某些情況下，可能需要在兩者之間傳遞一些資訊 —— 例如，我們可能希望在測試集和訓練集上使用相同的 StandardScaler。
總而言之，從錯誤中學習是件好事，希望上述所提供的錯誤範例能幫助你。
以上是15年軟體架構師經驗摘要：在ML領域，初學者踩過的五個坑的詳細內容。更多資訊請關注PHP中文網其他相關文章！
