雷鋒網(wǎng) AI 研習社按，本文來源于谷歌開發(fā)者博客，雷鋒網(wǎng)獲其授權轉載。以下為上篇，包含術語、概覽以及在進行機器學習之前的第 1-20 條規(guī)則。

作者：馬丁·辛克維奇

本文檔旨在幫助已掌握機器學習基礎知識的人員從 Google 機器學習的最佳實踐中受益。它介紹了一種機器學習樣式，類似于 Google C++ 樣式指南和其他常用的實用編程指南。如果您學習過機器學習方面的課程，或者擁有機器學習模型的構建或開發(fā)經(jīng)驗，則具備閱讀本文檔所必需的背景知識。

術語

在我們討論有效的機器學習的過程中，會反復提到下列術語：

實例：要對其進行預測的事物。例如，實例可以是一個網(wǎng)頁，您希望將其分類為“與貓相關”或“與貓無關”。

標簽：預測任務的答案，它可以是由機器學習系統(tǒng)生成的答案，也可以是訓練數(shù)據(jù)中提供的正確答案。例如，某個網(wǎng)頁的標簽可能是“與貓相關”。

特征：預測任務中使用的實例的屬性。例如，某個網(wǎng)頁可能具有“包含字詞‘貓’”這一特征。

特征列：一組相關特征，例如用戶可能居住的所有國家/地區(qū)的集合。樣本的特征列中可能包含一個或多個特征。“特征列”是 Google 專用的術語。特征列在 Yahoo/Microsoft 使用的 VM 系統(tǒng)中被稱為“命名空間”或場。

樣本：一個實例（及其特征）和一個標簽。

模型：預測任務的統(tǒng)計表示法。您使用樣本訓練一個模型，然后使用該模型進行預測。

指標：您關心的一個數(shù)值。也許（但不一定）可以直接得到優(yōu)化。

目標：算法嘗試優(yōu)化的一種指標。

管道：機器學習算法的基礎架構。管道包括從前端收集數(shù)據(jù)、將數(shù)據(jù)放入訓練數(shù)據(jù)文件、訓練一個或多個模型以及將模型運用到生產(chǎn)環(huán)境。

點擊率：點擊廣告中的鏈接的網(wǎng)頁訪問者所占的百分比。

概覽

要打造優(yōu)質的產(chǎn)品：

請把自己看成是一位出色的工程師，而不是一位機器學習專家。

實際上，您將面臨的大部分問題都是工程問題。即使在使用出色的機器學習專家掌握的所有資源的情況下，大多數(shù)收獲也是由合適的特征（而非精確的機器學習算法）帶來的。所以，進行機器學習的基本方法是：

1. 確保管道從頭到尾都穩(wěn)固可靠。

2. 從制定合理的目標開始。

3. 以簡單的方式添加常識性特征。

4. 確保管道始終穩(wěn)固可靠。

上述方法將在長時間內取得很好的效果。只要您仍然可以通過某種簡單的技巧取得進展，就不應該偏離上述方法。增加復雜性會減緩未來版本的發(fā)布。

當您充分利用了所有的簡單技巧，或許就到了探索機器學習最前沿技術的時候了。請參閱第三階段的“機器學習項目”部分。

本文檔結構如下：

第一部分可幫助您了解構建機器學習系統(tǒng)的時機是否已經(jīng)成熟。

第二部分介紹了如何部署第一個管道。

第三部分介紹了在向管道添加新特征時如何進行發(fā)布和迭代、如何評估模型，以及如何應對訓練-應用偏差。

最后一部分介紹了當您達到穩(wěn)定階段時該怎么做。

之后是相關資源列表和附錄，附錄針對多次作為示例在本文檔中提及的系統(tǒng)，提供了一些背景信息。

在進行機器學習之前

第 1 條規(guī)則：不要害怕發(fā)布未采用機器學習技術的產(chǎn)品。

機器學習技術很酷，但它需要數(shù)據(jù)。從理論上講，您可以采用來自其他問題的數(shù)據(jù)，然后針對新產(chǎn)品調整模型，但其效果很可能不如基本的啟發(fā)式算法。如果您認為機器學習技術能為您帶來 100% 的提升，那么啟發(fā)式算法可為您帶來 50% 的提升。

例如，如果您要對應用市場中的應用進行排名，則可以將安裝率或安裝次數(shù)作為啟發(fā)式算法指標。如果您要檢測垃圾郵件，則可以濾除以前發(fā)送過垃圾郵件的發(fā)布商。此外，也不要害怕手動修改。如果您需要對聯(lián)系人進行排名，可以按使用聯(lián)系人的時間順序由近及遠對其排序（或按字母順序排序）。如果您的產(chǎn)品并非必須使用機器學習技術，則在獲得足夠的數(shù)據(jù)之前，請勿使用該技術。

第 2 條規(guī)則：首先設計并實現(xiàn)指標。

在正式確定機器學習系統(tǒng)的功能之前，盡可能在當前系統(tǒng)中跟蹤指標的值。這樣做的原因如下：

1. 提前行動有助于更輕松地從系統(tǒng)的用戶獲得授權。

2. 如果您認為將來可能需要考慮某個方面，最好立即開始收集相關歷史數(shù)據(jù)。

3. 如果您在設計系統(tǒng)時考慮到指標測量，將來會省下很多力氣。具體而言，您不希望自己以后在日志中苦苦查找字符串以測量指標！

4. 您將發(fā)現(xiàn)哪些內容發(fā)生了變化以及哪些內容始終未變。例如，假設您希望直接優(yōu)化單日活躍用戶數(shù)。但是，在早期操縱系統(tǒng)的過程中，您可能會發(fā)現(xiàn)用戶體驗的顯著改變并沒有使該指標發(fā)生明顯變化。

Google+ 團隊會衡量每次閱讀的展開次數(shù)、 轉發(fā)次數(shù)、+1 次數(shù)、評論次數(shù)，以及每位用戶的評論次數(shù)、轉發(fā)次數(shù)等，然后在應用模型時利用這些數(shù)據(jù)來衡量帖子的質量。另請注意，實驗框架非常重要，您必須在實驗框架中將用戶分組為多個分桶，并按實驗匯總統(tǒng)計信息。 請參閱第 12 條規(guī)則。

通過以更加自由的方式收集指標，您可以更加全面地了解您的系統(tǒng)。發(fā)現(xiàn)問題了？添加指標對其進行跟蹤！對上個版本中發(fā)生的一些量變激動不已？添加指標對其進行跟蹤！

第 3 條規(guī)則：選擇機器學習技術而非復雜的啟發(fā)式算法。

簡單的啟發(fā)式算法有利于推出產(chǎn)品。但復雜的啟發(fā)式算法難以維護。當您獲得足夠的數(shù)據(jù)并基本確定自己要嘗試實現(xiàn)的目標后，請考慮使用機器學習技術。與大多數(shù)軟件工程任務一樣，您需要不斷更新方法（無論是啟發(fā)式算法還是機器學習模型），而且您會發(fā)現(xiàn)機器學習模型更易于更新和維護（請參閱第 16 條規(guī)則）。

機器學習第一階段：您的第一個管道

重點關注第一個管道的系統(tǒng)基礎架構。雖然展望您將要進行的創(chuàng)新性機器學習的方方面面是一件很有趣的事，但如果您不先確認管道的可靠性，則很難弄清楚所發(fā)生的情況。

第 4 條規(guī)則：確保第一個模型簡單易用，并正確實施基礎架構。

第一個模型可以最有效地提升您的產(chǎn)品質量，因此不需要花哨，簡單易用即可。但是，您會遇到很多預料之外的基礎架構問題。在公開推出您精心構建的新機器學習系統(tǒng)之前，您必須確定以下幾點：

• 如何為您的學習算法獲取樣本。

• 初步確定對于您的系統(tǒng)來說，“好”和“壞”的定義是什么。

• 如何將模型整合到應用中。您可以在線應用模型，也可以離線使用樣本對模型進行預計算，并將結果存儲在表格中。例如，您可能需要對網(wǎng)頁進行預分類并將結果存儲在表格中，但也可能需要在線對聊天消息進行分類。

選擇簡單的特征可以更輕松地確保：

• 將這些特征正確應用于您的學習算法。

• 模型學習出合理的權重。

• 將這些特征正確應用于服務器端。

當您有了能可靠做到上述三點的系統(tǒng)時，則表示您已完成大部分工作。簡單的模型可為您提供基準指標和基準行為，您可以利用這些指標和行為測試更復雜的模型。某些團隊以“中性”作為首次發(fā)布的目標 - 在首次發(fā)布時明確淡化機器學習成果，以避免分心。

第 5 條規(guī)則：撇開機器學習，單獨測試基礎架構。

確?；A架構可測試，且對系統(tǒng)的學習部分進行封裝，以便測試這些部分之外的方方面面。具體而言：

1. 測試數(shù)據(jù)導入算法的效果。檢查應填充的特征列是否已填充。在隱私權許可的情況下，手動檢查輸入到訓練算法的數(shù)據(jù)。如果可能的話，查看管道中的統(tǒng)計信息，并與在其他地方處理的相同數(shù)據(jù)的統(tǒng)計信息進行比較。

2. 測試從訓練算法得出模型的效果。確保訓練環(huán)境中的模型與應用環(huán)境中的模型給出的分數(shù)相同（請參閱第 37 條規(guī)則）。

機器學習具有不可預測性，因此要有用于訓練環(huán)境和應用環(huán)境中創(chuàng)建樣本的代碼的測試；并確保您可以在應用期間加載和使用固定模型。此外，了解您的數(shù)據(jù)至關重要：請參閱分析大型復雜數(shù)據(jù)集的實用建議。

第 6 條規(guī)則：復制管道時注意丟棄的數(shù)據(jù)。

通常，我們通過復制現(xiàn)有管道來創(chuàng)建新管道（即貨物崇拜編程），且舊管道會丟棄一些新管道需要的數(shù)據(jù)。例如，Google+ 熱門信息的管道會丟棄時間較早的帖子（因為它會不斷嘗試對最新的帖子進行排名）。此管道被復制用于 Google+ 信息流，在信息流中，時間較早的帖子仍然有意義，但舊管道仍會丟棄它們。另一種常見模式是僅記錄用戶看到的數(shù)據(jù)。因此，如果我們想要對用戶看不到特定帖子的原因進行建模，此類數(shù)據(jù)就毫無用處，因為管道已丟棄所有負分類樣本。Play 中也曾出現(xiàn)過類似的問題。在處理 Play 應用首頁時，創(chuàng)建了一個新管道，其中還包含來自 Play 游戲著陸頁的樣本，但無任何特征可區(qū)分各個樣本的來源。

第 7 條規(guī)則：將啟發(fā)式算法轉變?yōu)樘卣骰蛟谕獠刻幚硭鼈儭?/span>

通常，機器學習嘗試解決的問題并不是全新的問題。有一個現(xiàn)有的系統(tǒng)，它可用于排名、分類，或解決您正嘗試解決的任何問題。這意味著有多種規(guī)則和啟發(fā)式算法。使用機器學習進行調整后，此類啟發(fā)式算法可為您提供便利。 您應該挖掘自己的啟發(fā)式算法，了解它們所包含的任何信息，原因有以下兩點。首先，向機器學習系統(tǒng)的過渡會更平穩(wěn)。其次，這些規(guī)則通常包含大量您不愿意丟棄的關于系統(tǒng)的直覺信息。您可以通過以下四種方法使用現(xiàn)有啟發(fā)式算法：

• 使用啟發(fā)式算法進行預處理。如果特征非常好，則可以選擇執(zhí)行此操作。例如，在垃圾郵件過濾器中，如果發(fā)件人已被列入黑名單，則不要試圖重新學習“已列入黑名單”的含義。屏蔽該郵件即可。這種方法最適合在二元分類任務中使用。

• 創(chuàng)建特征。直接通過啟發(fā)式算法創(chuàng)建特征是一種很好的做法。例如，如果您使用啟發(fā)式算法來計算查詢結果的相關性分數(shù)，則可以將此分數(shù)納為一個特征的值。您日后可能想要使用機器學習技術調整該值（例如，將該值轉換為一個有限離散值組中的一個，或與其他特征相組合），但是首先請使用啟發(fā)式算法生成的原始值。

• 挖掘啟發(fā)式算法的原始輸入。如果某個應用啟發(fā)式算法結合了安裝次數(shù)、文本中的字符數(shù)以及星期值，考慮將這些內容拆分開來，并作為輸入單獨提供給學習算法。部分適用于集成學習的技巧也適用于此（請參閱第 40 條規(guī)則）。

• 修改標簽。當您感覺啟發(fā)式算法會獲取當前標簽中未包含的信息時，可以選擇進行此操作。例如，如果您正在嘗試最大程度地增加下載次數(shù)，但同時也想要優(yōu)質的內容，則可能的解決方案是用標簽乘以應用獲得的平均星數(shù)。您可以非常靈活地修改標簽。請參閱“您的第一個目標”。

在機器學習系統(tǒng)中使用啟發(fā)式算法時，請務必留意是否會帶來額外的復雜性。在新的機器學習算法中使用舊啟發(fā)式算法有助于實現(xiàn)平穩(wěn)過渡，但思考下是否有可以達到相同效果的更簡單的方法。

監(jiān)控

在一般情況下，請實行良好的警報安全機制，例如設計解決警報的步驟以及提供“信息中心”頁面。

第 8 條規(guī)則：了解您的系統(tǒng)對新鮮程度的要求。

如果您使用一天前的模型，效果會降低多少？一周前的模型呢？一個季度前的模型呢？此類消息有助于您了解需要優(yōu)先監(jiān)控哪些方面。如果一天不更新模型會對您的產(chǎn)品質量產(chǎn)生嚴重影響，則最好讓工程師持續(xù)觀察相關情況。大多數(shù)廣告投放系統(tǒng)每天都有新廣告要處理，并且必須每天更新。例如，如果不更新 Google Play 搜索的機器學習模型，則不到一個月便會產(chǎn)生負面影響。Google+ 熱門信息的某些模型中沒有帖子標識符，因此無需經(jīng)常導出這些模型。其他具有帖子標識符的模型的更新頻率要高得多。另請注意，新鮮程度會隨著時間而改變，尤其是在向模型中添加特征列或從中移除特征列時。

第 9 條規(guī)則：先檢測問題，然后再導出模型。

很多機器學習系統(tǒng)都會經(jīng)歷導出模型以應用模型的階段。如果導出的模型存在問題，則是面向用戶的問題。

在導出模型之前，請進行健全性檢查。具體而言，確保模型在處理預留數(shù)據(jù)方面表現(xiàn)合理?；蛘哒f，如果您一直認為數(shù)據(jù)存在問題，請不要導出模型。很多經(jīng)常部署模型的團隊在導出模型之前，會先檢查 ROC 曲線下面積（簡稱 AUC）。尚未導出的模型存在問題時，需要發(fā)送電子郵件提醒；但面向用戶的模型出現(xiàn)問題時，可能需要通過一個頁面進行宣布。 因此，最好先等待檢查完畢并確保萬無一失后再導出模型，以免對用戶造成影響。

第 10 條規(guī)則：注意隱藏的問題。

相比其他類型的系統(tǒng)，這種問題更常見于機器學習系統(tǒng)。假設關聯(lián)的特定表格不再更新，那么，機器學習系統(tǒng)會進行相應調整，其行為仍然會相當好，但會逐漸變糟。有時，您會發(fā)現(xiàn)有些表格已有幾個月未更新，只需刷新一下，就可以獲得比相應季度做出的所有其他改進都更有效的效果提升！特征的覆蓋率可能會因實現(xiàn)變化而發(fā)生改變：例如，某個特征列可能在 90% 的樣本中得到填充，但該比率突然下降到 60%。Google Play 曾有一個過時 6 個月的表格，但僅刷新了一下該表格，安裝率就提升了 2%。如果您對數(shù)據(jù)的統(tǒng)計信息進行跟蹤，并不時地手動檢查數(shù)據(jù)，就可以減少此類失敗。

第 11 條規(guī)則：提供特征列的所有者及相關文檔。

如果系統(tǒng)很大，且有很多特征列，則需要知道每個特征列的創(chuàng)建者或維護者。如果您發(fā)現(xiàn)了解某個特征列的人要離職，請確保有人知道相關信息。盡管很多特征列都有說明性名稱，但針對特征的含義、來源以及預計提供幫助的方式提供更詳細的說明，是一種不錯的做法。

您的第一個目標

您會關注很多有關系統(tǒng)的指標或測量結果，但通常只能為您的機器學習算法指定一個目標，即您的算法“嘗試”優(yōu)化的數(shù)值。 在這里，我介紹一下目標和指標有何區(qū)別：指標是指您的系統(tǒng)報告的任意數(shù)字，可能重要，也可能不重要。另請參閱第 2 條規(guī)則。

第 12 條規(guī)則：選擇直接優(yōu)化哪個目標時，不要想太多。

您想賺錢，想讓用戶滿意，想讓世界變得更美好。您關注的指標有很多，而且您應該對所有這些指標進行測量（請參閱第 2 條規(guī)則）。不過，在早期的機器學習過程中，您會發(fā)現(xiàn)這些指標都呈上升趨勢，甚至那些您沒有選擇直接優(yōu)化的指標也是如此。例如，假設您關注點擊次數(shù)和用戶在網(wǎng)站上停留的時間。如果您優(yōu)化點擊次數(shù)，則用戶在網(wǎng)站上停留的時間很可能也會增加。

所以，當您仍然可以輕松增加所有指標時，保持簡單，不要過多考慮如何在不同的指標間實現(xiàn)平衡。但不要過度使用此規(guī)則：不要將您的目標與系統(tǒng)最終的運行狀況相混淆（請參閱第 39 條規(guī)則）。此外，如果您發(fā)現(xiàn)自己增大了直接優(yōu)化的指標，但決定不發(fā)布系統(tǒng)，則可能需要修改某些目標。

第 13 條規(guī)則：為您的第一個目標選擇一個可觀察且可歸因的簡單指標。

您往往并不知道真正的目標是什么。您以為自己知道，但當您盯著數(shù)據(jù)，對舊系統(tǒng)和新的機器學習系統(tǒng)進行對比分析時，您發(fā)現(xiàn)自己想調整目標。此外，團隊的不同成員通常無法就什么是真正的目標達成一致意見。機器學習目標應是滿足以下條件的某種目標：易于測量且是“真正的”目標的代理。實際上，通常沒有“真正的”目標（請參閱第 39 條規(guī)則）。因此，請對簡單的機器學習目標進行訓練，并考慮在頂部添加一個“策略層”，以便您能夠添加其他邏輯（最好是非常簡單的邏輯）來進行最終排名。

要進行建模，最簡單的指標是可直接觀察到且可歸因到系統(tǒng)操作的用戶行為：

• 用戶是否點擊了此已排名鏈接？

• 用戶是否下載了此已排名對象？

• 用戶是否轉發(fā)/回復/使用電子郵件發(fā)送了此已排名對象？

• 用戶是否評價了此已排名對象？

• 用戶是否將此顯示的對象標記為了垃圾郵件/色情內容/攻擊性內容？

避免一開始對間接影響進行建模：

• 用戶第二天訪問網(wǎng)站了嗎？

• 用戶在網(wǎng)站上停留了多長時間？

• 每日活躍用戶數(shù)有多少？

其實，間接影響可成為出色的指標，可以在 A/B 測試和發(fā)布決策期間使用。

最后，不要試圖讓機器學習系統(tǒng)弄清楚以下問題：

• 用戶在使用產(chǎn)品時是否感到滿意？

• 用戶是否對使用體驗感到滿意？

• 產(chǎn)品是否提升了用戶的整體滿意度？

• 這會對公司的整體運行狀況產(chǎn)生什么樣的影響？

所有這些都很重要，但也極難衡量。請改為使用代理指標：如果用戶感到滿意，他們會在網(wǎng)站上停留更長時間。如果用戶感到滿意，他們明天會再次訪問網(wǎng)站。就滿意度和公司運行狀況而言，需要進行人為判斷，以便將任意機器學習目標與您銷售的產(chǎn)品的性質和業(yè)務計劃關聯(lián)起來。

第 14 條規(guī)則：從可解釋的模型著手可更輕松地進行調試。

線性回歸、邏輯回歸和泊松回歸均由概率模型直接推動。每個預測都可看作是一個概率或預期值。這樣一來，相較于使用目標（0-1 損失、各種合頁損失函數(shù)等）以嘗試直接優(yōu)化分類準確度或對效果進行排名的模型，這種模型更易于進行調試。例如，如果在訓練中得出的概率與采用并排分析方式或通過檢查生產(chǎn)系統(tǒng)的方式預測的概率之間存在偏差，則表明存在問題。

例如，在線性回歸、邏輯回歸或泊松回歸中，有一部分平均預測期望值等于平均標簽值（一階矩校準，或只是校準）的數(shù)據(jù)。假設您沒有正則化且算法已收斂，那么理論上即是如此，實際上也是差不多這種情形。如果您有一個特征，對于每個樣本來說，其值要么是 0，要么是 1，則會校準 3 個特征值為 1 的樣本集。此外，如果您有一個特征，對于每個樣本來說，其值均為 1，則會校準所有樣本集。

借助簡單的模型，您可以更輕松地處理反饋環(huán)（請參閱第 36 條規(guī)則）。通常情況下，我們會根據(jù)這些概率預測來做出決策；例如，以期望值（點擊概率/下載概率等）為標準，按降序對帖子進行排名。 但是，請注意，當選擇要使用的模型時，您的決定比模型給出的數(shù)據(jù)概率更為重要（請參閱第 27 條規(guī)則）。

第 15 條規(guī)則：在策略層中區(qū)分垃圾內容過濾和質量排名。

質量排名是一門藝術，但垃圾內容過濾就像一場戰(zhàn)爭。對于使用您系統(tǒng)的用戶來說，您使用哪些信號來確定高質量帖子將變得顯而易見，而且這些用戶會調整自己的帖子，使其具有高質量帖子的屬性。因此，您的質量排名應側重于對誠實發(fā)布的內容進行排名。您不應該因為質量排名學習器將垃圾內容排在前列而對其應用折扣。同樣，“少兒不宜”的內容也不應該在質量排名中進行處理。 垃圾內容過濾則另當別論。您必須明白，需要生成的特征會不斷變化。通常情況下，您會在系統(tǒng)中設置一些明顯的規(guī)則（如果一個帖子收到三次以上的垃圾內容舉報，請勿檢索該帖子等等）。所有學習模型都必須至少每天更新。內容創(chuàng)作者的聲譽會發(fā)揮很大作用。

在某個層級，必須將這兩個系統(tǒng)的輸出整合在一起。請注意，與過濾電子郵件中的垃圾郵件相比，在過濾搜索結果中的垃圾內容時，可能應該更加主動。這種說法的前提是您沒有正則化且算法已收斂。一般來說大致是這樣。此外，從質量分類器的訓練數(shù)據(jù)中移除垃圾內容是一種標準做法。

機器學習第二階段：特征工程

在機器學習系統(tǒng)生命周期的第一階段，重要的問題涉及以下三個方面：將訓練數(shù)據(jù)導入學習系統(tǒng)、對任何感興趣的指標進行測量，以及構建應用基礎架構。當您構建了一個端到端的可穩(wěn)定運行的系統(tǒng)，并且制定了系統(tǒng)測試和單元測試后，就可以進入第二階段了。

第二階段的很多目標很容易實現(xiàn)，且有很多明顯的特征可導入系統(tǒng)。因此，機器學習的第二階段涉及導入盡可能多的特征，并以直觀的方式將它們組合起來。在這一階段，所有的指標應該仍然呈上升趨勢，您將會多次發(fā)布系統(tǒng)，并且非常適合安排多名工程師，以便整合創(chuàng)建真正出色的學習系統(tǒng)所需的所有數(shù)據(jù)。

第 16 條規(guī)則：制定發(fā)布和迭代模型計劃。

不要指望您現(xiàn)在正在構建的模型會是您將要發(fā)布的最后一個模型，也不要指望您會停止發(fā)布模型。因此，請考慮此次發(fā)布中增加的復雜性是否會減緩未來版本的發(fā)布。很多團隊多年來每季度都會發(fā)布一個或多個模型。發(fā)布新模型的三個基本原因如下所示：

• 您將要添加新特征。

• 您將要調整正則化并以新方式組合舊特征。

• 您將要調整目標。

無論如何，構建模型時多考慮考慮并沒有什么壞處：查看提供到樣本中的數(shù)據(jù)有助于發(fā)現(xiàn)新信號、舊信號以及損壞的信號。因此，在構建模型時，請考慮添加、移除或重新組合特征的難易程度?？紤]創(chuàng)建管道的全新副本以及驗證其正確性的難易程度。考慮是否可以同時運行兩個或三個副本。最后，不必擔心此版本的管道有沒有納入第 16 個特征（共 35 個），下個季度會將其納入。

第 17 條規(guī)則：從可直接觀察和報告的特征（而不是經(jīng)過學習的特征）著手。

這一點可能存在爭議，但可以避免許多問題。首先，我們來介紹一下什么是學習的特征。學習的特征是由外部系統(tǒng)（例如非監(jiān)督式集群系統(tǒng)）或學習器本身（例如通過因子模型或深度學習）生成的特征。這兩種方式生成的特征都非常有用，但會導致很多問題，因此不應在第一個模型中使用。

如果您使用外部系統(tǒng)創(chuàng)建特征，請注意，外部系統(tǒng)有其自己的目標。外部系統(tǒng)的目標與您當前的目標之間可能僅存在一點點關聯(lián)。如果您獲取外部系統(tǒng)的某個瞬間狀態(tài)，它可能就會過期。如果您從外部系統(tǒng)更新特征，則特征的含義可能會發(fā)生變化。如果您使用外部系統(tǒng)提供特征，請注意，采用這種方法需要非常小心。

因子模型和深度模型的主要問題是，它們是非凸模型。因此，無法保證能夠模擬或找到最優(yōu)解決方案，且每次迭代時找到的局部最小值可能不同。這種變化導致難以判斷系統(tǒng)發(fā)生的某次變化的影響是有意義的還是隨機的。通過創(chuàng)建沒有深度特征的模型，您可以獲得出色的基準效果。達到此基準后，您可以嘗試更深奧的方法。

第 18 條規(guī)則：探索可跨情境泛化的內容的特征。

機器學習系統(tǒng)通常只是更大系統(tǒng)中的一小部分。例如，想象熱門信息中可能會使用的帖子，在其顯示到熱門信息之前，很多用戶已經(jīng)對其進行 +1、轉發(fā)或評論了。如果您將這些統(tǒng)計信息提供給學習器，它就會對在正在優(yōu)化的情景中沒有數(shù)據(jù)的新帖子進行推廣。 YouTube 的“接下來觀看”可以使用來自 YouTube 搜索的觀看次數(shù)或連看次數(shù)（觀看完一個視頻后觀看另一個視頻的次數(shù)）或明確的用戶評分來推薦內容。最后，如果您將一個用戶操作用作標簽，在其他情境中看到用戶對文檔執(zhí)行該操作可以是很好的特征。借助所有這些特征，您可以向該情境中引入新內容。請注意，這與個性化無關：先弄清楚是否有人喜歡此情境中的內容，然后再弄清楚喜歡程度。

第 19 條規(guī)則：盡可能使用非常具體的特征。

對于海量數(shù)據(jù)，學習數(shù)百萬個簡單的特征比學習幾個復雜的特征更簡單。正在被檢索的文檔的標識符以及規(guī)范化的查詢不會提供很多泛化作用，但可以讓您的排名與頻率靠前的查詢的標簽保持一致。因此，請不要害怕具有以下特點的特征組：每個特征適用于您的一小部分數(shù)據(jù)但總體覆蓋率在 90％ 以上。您可以使用正則化來消除適用樣本過少的特征。

第 20 條規(guī)則：組合和修改現(xiàn)有特征，以便以簡單易懂的方式創(chuàng)建新特征。

有多種方式可以組合和修改特征。借助 TensorFlow 等機器學習系統(tǒng)，您可以通過轉換對數(shù)據(jù)進行預處理。最標準的兩種方法是“離散化”和“組合”。

“離散化”是指提取一個連續(xù)特征，并從中創(chuàng)建許多離散特征。以年齡這一連續(xù)特征為例。您可以創(chuàng)建一個年齡不滿 18 周歲時其值為 1 的特征，并創(chuàng)建年齡在 18-35 周歲之間時其值為 1 的另一個特征，等等。不要過多考慮這些直方圖的邊界：基本分位數(shù)給您帶來的影響最大。

“組合”方法是指組合兩個或更多特征列。在 TensorFlow 中，特征列指的是同類特征集（例如，{男性, 女性}、{美國, 加拿大, 墨西哥} 等等）。組合指的是其中包含特征的新特征列，例如，{男性, 女性} × {美國, 加拿大, 墨西哥}。此新特征列將包含特征（男性, 加拿大）。如果您使用的是 TensorFlow，并讓 TensorFlow 為您創(chuàng)建此組合，則此（男性, 加拿大）特征將存在于表示加拿大男性的樣本中。請注意，您需要擁有大量數(shù)據(jù)，才能使用具有三個、四個或更多基準特征列的組合學習模型。

生成非常大的特征列的組合可能會過擬合。例如，假設您正在執(zhí)行某種搜索，您的某個特征列包含查詢中的字詞，另一個特征列包含文檔中的字詞。這時，您可以使用“組合”方法將這些特征列組合起來，但最終會得到很多特征（請參閱第 21 條規(guī)則）。

處理文本時，有兩種備用方法。最嚴苛的方法是點積。點積方法采用最簡單的形式時，僅會計算查詢和文檔間共有字詞的數(shù)量。然后將此特征離散化。另一種方法是交集：如果使用交集方法，當且僅當文檔和查詢中都包含“pony”一詞時，才會出現(xiàn)一個特征；當且僅當文檔和查詢中都包含“the”一詞時，才會出現(xiàn)另一個特征。

下篇參見谷歌發(fā)布機器學習規(guī)則 (Rules of Machine Learning)： 關于機器學習工程的最佳實踐（下）

雷峰網(wǎng)版權文章，未經(jīng)授權禁止轉載。詳情見轉載須知。