漫话模型|模型与选芒果

很多人觉得“模型”、“大数据”、“机器学习”这些字眼很高大很神秘，事实上，它跟我们生活中选水果差不了多少。本文用了几千字，来试图教会大家怎么选芒果...

模型的比喻 #

假如我要从一批芒果中，找出好吃的那个来。而我不能直接切开芒果尝尝，所以我只能观察芒果，能观察到的量有颜色、表面的气味、大小等等，这些就是我们能够收集到的信息（特征）。

生活中还要很多这样的例子，比如买火柴（可能年轻的城里人还没见过火柴？），如何判断一盒火柴的质量？难道要每根火柴都划划，看看着不着火？显然不行，我们最多也只能划几根，全部划了，火柴也不成火柴了。当然，我们还能看看火柴的样子，闻闻火柴的气味，这些动作是可以接受的。

我们可能会发现，黄色的、大个的芒果会很甜，可是也发现，有些不怎么黄的、小个的也很甜，那么，颜色、气味、体积这些特征，究竟分别占多少比例呢？如果我能够找出这个比例，那么就找出了一个预测芒果好不好吃的方法。火柴的例子也一样，我们可以划几根，看看哪些是能够点着的，然后总结出一个不用划就能预测能不能着的方法。

模型做的就是这样一个事情。我们先找出一批芒果（样本），记录它的特征（颜色、气味、体积等），然后让人尝尝，并且评价出哪个好吃，哪个不好吃。于是乎，我们就可以根据这批样本，总结出颜色、气味、体积各占多少比例。这个总结的过程，是机器自己在做的。

做完之后，我们就得到了一个预测芒果好不好吃的模型，这有点像黑箱子，以后把颜色、气味、体积等数据代进去，就可以算出好吃的概率。

模型的意义 #

从以上的比喻，可以看出模型最重要的意义，是解决了两个问题：

1.“一刀切”

“一刀切”应该是让我们很痛心疾首的做法，像在中学，老师不问三七二十一就给我们“判了死刑”，这种简单粗暴的做法便是典型的“一刀切”了。“一刀切”的做法具有一定的准确率，但并非所有问题都可以“一刀切”解决，相反，“一刀切”往往还把“优良品种”给切错了！

比如我要在班上找出成绩好的学生好，我们自然会想到学习成绩跟花在学习上的时间成正比，所以我们认为“每天学习时间大于5小时”就是成绩好的人。这就是“一刀切”的做法。可是明明就有些人，天资聪颖，或者学习方法效率高，他每天花一个小时，成绩就很优秀。这样的人，就被我们“切死”了，而且显然，切死的还是优良品种。

2.自动学习

还是从芒果的例子出发。如果我们凭借“多年来的经验”，就算不用模型，也摸索出了一套判断好吃芒果的方法。可能此时人们就会说“你们的模型有什么了不起，我们自己就可以做得很好。”可是，假如我现在不想吃芒果了，我想吃橘子，我想吃葡萄，那么我们又怎么预测橘子、葡萄的好吃程度呢？我们总不能等很多年以后，再来积累荔枝、苹果的“多年经验”吧？耗时尚且不说，也耗费人力。

当然，可能别人有橘子、葡萄的相关经验，我们可以向他们请教。但是请教是有成本的，大家想想到处肆行的各种收费培训活动就是了。

模型正好解决了这个问题，它允许我们从一批已经有的样本出发（不管是芒果、苹果还是荔枝），自动地、机器地“总结”（这个过程称为学习）出一套判断方法来。由于学习都是机器在做，对于我们就省事省力了。我们只需要泡杯茶，坐等模型结果出来，再看看模型结果好不好就行了。这总比我们自己去学习、总结，然后再判断自己的学习效果更好吧？

模型的做法 #

要做好一个模型，通常来说有以下步骤：

1.准备样本

样本就是我们用来学习的那一批“芒果”样本。

事实上，模型的建立过程跟人类的学习过程是很类似的。如果交给人类来做，我们肯定会先拿来一部分芒果，然后记录它们的颜色、大小、气味等特征，然后把它们都切开尝尝，看看哪个酸哪个甜，最后总结出规律来。

对于模型来说，模型代替了人类总结的过程，也就是最后一步。前面的准备过程，还是需要我们来完成的。我们要自己尝一批芒果，记录那批芒果的信息，然后把这些信息都输入模型中，模型就能够自动学习好，学习好之后，就能够用这个模型来预测新的芒果味道了。

准备样本，意思是要准备好的样本和坏的样本，换句话说，你要找一批好吃的芒果来，记录它的特征，你也要找一批不好吃的芒果来，记录它的特征，然后把这些信息都告诉模型，模型才能自动学习。在这个过程中，人类做的是记录员的角色。

2.准备特征

特征就是和判断结果有关的一些变量，是模型预测的基础。

简单来说，特征就是芒果的好吃与否跟什么有关的“什么”，如果我们觉得芒果的好吃程度跟芒果的大小、颜色、气味有关，那么“大小”、“颜色”、“气味”就是模型的特征，当然，前提是把这些信息数量化。

特征有好坏之分，好的特征可以帮助模型作出正确的预测，而坏的特征至少无益于预测。比如，在哪棵树摘的芒果、在星期几摘的芒果，这大概都不是什么好的特征的，也就是说这些信息通常来说并不能帮助我们判断芒果的好吃程度。（注意是“通常来说”，并不是绝对的。也许A树摘下来的芒果确实都比B树的好吃也说不定。）

好的特征对模型是至关重要的，可以说，寻找好的特征（不管是人工寻找还是机器寻找），是模型中最重要的部分。一个好的数据研究员在建模的过程中，应当把主要的精力放在特征的选取上；然而，现在多数研究员往往走向了误区，他们把大量的精力放到了模型上面（也就是第3步）。

3.准备模型

准备模型其实就是选择模型，也就是用什么模型来学习。这好比人有不同的学习方法、学习经验，究竟选取怎么样的方法去学习一样。

在真正的机器学习领域中，模型有相当多了，比如分为线性模型和非线性模型，线性模型有逻辑回归、SVM等，非线性模型有随机森林、GBDT、神经网络等等。对于模型来说，一般有以下几点需要清楚：

（1）模型不是最重要的

事实上，建模过程中最重要的一块是特征的选取，选取了正确的特征，模型之间的效果相差不会太大，因此，不要把大部分精力放在模型的选取上；

（2）防止过拟合
过拟合是一个比较难以察觉的现象，总的来说，就是得出来的模型，在样本内的测试效果表现非常好，而在实际应用中却一塌糊涂。防止过拟合的通常方法是设置一定的正则系数（即惩罚函数），或者设置较小的深度（决策树相关的模型）；

（3）尽量用线性模型
非线性模型，如GBDT一般效果比较好，但是也更加容易过拟合，因此，如果非线性模型的效果不是比线性模型好很多的话，尽量用线性模型，因为这样的模型稳定性更好。这样的理念实际上符合了这么一个奥卡姆剃刀定律：“如无必要，勿增实体。”

最后的最后 #

当然，不论怎样都需要强调：模型是有用的，但是模型不是万能的，也不是最重要的。不要迷信模型，而丧失了我们自己的主观能动性。模型可以说是一件艺术品，前提是——你是一位艺术家。

转载到请包括本文地址：https://kexue.fm/archives/3390

更详细的转载事宜请参考：《科学空间FAQ》