0
| 本文作者： 汪思穎 | 2018-05-23 18:29 |
雷鋒網(wǎng) AI 研習(xí)社按，本文來(lái)源于谷歌開(kāi)發(fā)者博客，雷鋒網(wǎng)獲其授權(quán)轉(zhuǎn)載。以下為上篇，包含術(shù)語(yǔ)、概覽以及在進(jìn)行機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)基礎(chǔ)知識(shí)的人員從 Google 機(jī)器學(xué)習(xí)的最佳實(shí)踐中受益。它介紹了一種機(jī)器學(xué)習(xí)樣式，類(lèi)似于 Google C++ 樣式指南和其他常用的實(shí)用編程指南。如果您學(xué)習(xí)過(guò)機(jī)器學(xué)習(xí)方面的課程，或者擁有機(jī)器學(xué)習(xí)模型的構(gòu)建或開(kāi)發(fā)經(jīng)驗(yàn)，則具備閱讀本文檔所必需的背景知識(shí)。
術(shù)語(yǔ)
在我們討論有效的機(jī)器學(xué)習(xí)的過(guò)程中，會(huì)反復(fù)提到下列術(shù)語(yǔ)：
實(shí)例：要對(duì)其進(jìn)行預(yù)測(cè)的事物。例如，實(shí)例可以是一個(gè)網(wǎng)頁(yè)，您希望將其分類(lèi)為“與貓相關(guān)”或“與貓無(wú)關(guān)”。
標(biāo)簽：預(yù)測(cè)任務(wù)的答案，它可以是由機(jī)器學(xué)習(xí)系統(tǒng)生成的答案，也可以是訓(xùn)練數(shù)據(jù)中提供的正確答案。例如，某個(gè)網(wǎng)頁(yè)的標(biāo)簽可能是“與貓相關(guān)”。
特征：預(yù)測(cè)任務(wù)中使用的實(shí)例的屬性。例如，某個(gè)網(wǎng)頁(yè)可能具有“包含字詞‘貓’”這一特征。
特征列：一組相關(guān)特征，例如用戶(hù)可能居住的所有國(guó)家/地區(qū)的集合。樣本的特征列中可能包含一個(gè)或多個(gè)特征?！疤卣髁小笔?Google 專(zhuān)用的術(shù)語(yǔ)。特征列在 Yahoo/Microsoft 使用的 VM 系統(tǒng)中被稱(chēng)為“命名空間”或場(chǎng)。
樣本：一個(gè)實(shí)例（及其特征）和一個(gè)標(biāo)簽。
模型：預(yù)測(cè)任務(wù)的統(tǒng)計(jì)表示法。您使用樣本訓(xùn)練一個(gè)模型，然后使用該模型進(jìn)行預(yù)測(cè)。
指標(biāo)：您關(guān)心的一個(gè)數(shù)值。也許（但不一定）可以直接得到優(yōu)化。
目標(biāo)：算法嘗試優(yōu)化的一種指標(biāo)。
管道：機(jī)器學(xué)習(xí)算法的基礎(chǔ)架構(gòu)。管道包括從前端收集數(shù)據(jù)、將數(shù)據(jù)放入訓(xùn)練數(shù)據(jù)文件、訓(xùn)練一個(gè)或多個(gè)模型以及將模型運(yùn)用到生產(chǎn)環(huán)境。
點(diǎn)擊率：點(diǎn)擊廣告中的鏈接的網(wǎng)頁(yè)訪(fǎng)問(wèn)者所占的百分比。
概覽
要打造優(yōu)質(zhì)的產(chǎn)品：
請(qǐng)把自己看成是一位出色的工程師，而不是一位機(jī)器學(xué)習(xí)專(zhuān)家。
實(shí)際上，您將面臨的大部分問(wèn)題都是工程問(wèn)題。即使在使用出色的機(jī)器學(xué)習(xí)專(zhuān)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(jī)器學(xué)習(xí)算法）帶來(lái)的。所以，進(jìn)行機(jī)器學(xué)習(xí)的基本方法是：
確保管道從頭到尾都穩(wěn)固可靠。
從制定合理的目標(biāo)開(kāi)始。
以簡(jiǎn)單的方式添加常識(shí)性特征。
確保管道始終穩(wěn)固可靠。
上述方法將在長(zhǎng)時(shí)間內(nèi)取得很好的效果。只要您仍然可以通過(guò)某種簡(jiǎn)單的技巧取得進(jìn)展，就不應(yīng)該偏離上述方法。增加復(fù)雜性會(huì)減緩未來(lái)版本的發(fā)布。
當(dāng)您充分利用了所有的簡(jiǎn)單技巧，或許就到了探索機(jī)器學(xué)習(xí)最前沿技術(shù)的時(shí)候了。請(qǐng)參閱第三階段的“機(jī)器學(xué)習(xí)項(xiàng)目”部分。
本文檔結(jié)構(gòu)如下：
第一部分可幫助您了解構(gòu)建機(jī)器學(xué)習(xí)系統(tǒng)的時(shí)機(jī)是否已經(jīng)成熟。
第二部分介紹了如何部署第一個(gè)管道。
第三部分介紹了在向管道添加新特征時(shí)如何進(jìn)行發(fā)布和迭代、如何評(píng)估模型，以及如何應(yīng)對(duì)訓(xùn)練-應(yīng)用偏差。
最后一部分介紹了當(dāng)您達(dá)到穩(wěn)定階段時(shí)該怎么做。
之后是相關(guān)資源列表和附錄，附錄針對(duì)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(jìn)行機(jī)器學(xué)習(xí)之前
第 1 條規(guī)則：不要害怕發(fā)布未采用機(jī)器學(xué)習(xí)技術(shù)的產(chǎn)品。
機(jī)器學(xué)習(xí)技術(shù)很酷，但它需要數(shù)據(jù)。從理論上講，您可以采用來(lái)自其他問(wèn)題的數(shù)據(jù)，然后針對(duì)新產(chǎn)品調(diào)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(rèn)為機(jī)器學(xué)習(xí)技術(shù)能為您帶來(lái) 100% 的提升，那么啟發(fā)式算法可為您帶來(lái) 50% 的提升。
例如，如果您要對(duì)應(yīng)用市場(chǎng)中的應(yīng)用進(jìn)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(biāo)。如果您要檢測(cè)垃圾郵件，則可以濾除以前發(fā)送過(guò)垃圾郵件的發(fā)布商。此外，也不要害怕手動(dòng)修改。如果您需要對(duì)聯(lián)系人進(jìn)行排名，可以按使用聯(lián)系人的時(shí)間順序由近及遠(yuǎn)對(duì)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(jī)器學(xué)習(xí)技術(shù)，則在獲得足夠的數(shù)據(jù)之前，請(qǐng)勿使用該技術(shù)。
第 2 條規(guī)則：首先設(shè)計(jì)并實(shí)現(xiàn)指標(biāo)。
在正式確定機(jī)器學(xué)習(xí)系統(tǒng)的功能之前，盡可能在當(dāng)前系統(tǒng)中跟蹤指標(biāo)的值。這樣做的原因如下：
提前行動(dòng)有助于更輕松地從系統(tǒng)的用戶(hù)獲得授權(quán)。
如果您認(rèn)為將來(lái)可能需要考慮某個(gè)方面，最好立即開(kāi)始收集相關(guān)歷史數(shù)據(jù)。
如果您在設(shè)計(jì)系統(tǒng)時(shí)考慮到指標(biāo)測(cè)量，將來(lái)會(huì)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(cè)量指標(biāo)！
您將發(fā)現(xiàn)哪些內(nèi)容發(fā)生了變化以及哪些內(nèi)容始終未變。例如，假設(shè)您希望直接優(yōu)化單日活躍用戶(hù)數(shù)。但是，在早期操縱系統(tǒng)的過(guò)程中，您可能會(huì)發(fā)現(xiàn)用戶(hù)體驗(yàn)的顯著改變并沒(méi)有使該指標(biāo)發(fā)生明顯變化。
Google+ 團(tuán)隊(duì)會(huì)衡量每次閱讀的展開(kāi)次數(shù)、 轉(zhuǎn)發(fā)次數(shù)、+1 次數(shù)、評(píng)論次數(shù)，以及每位用戶(hù)的評(píng)論次數(shù)、轉(zhuǎn)發(fā)次數(shù)等，然后在應(yīng)用模型時(shí)利用這些數(shù)據(jù)來(lái)衡量帖子的質(zhì)量。另請(qǐng)注意，實(shí)驗(yàn)框架非常重要，您必須在實(shí)驗(yàn)框架中將用戶(hù)分組為多個(gè)分桶，并按實(shí)驗(yàn)匯總統(tǒng)計(jì)信息。 請(qǐng)參閱第 12 條規(guī)則。
通過(guò)以更加自由的方式收集指標(biāo)，您可以更加全面地了解您的系統(tǒng)。發(fā)現(xiàn)問(wèn)題了？添加指標(biāo)對(duì)其進(jìn)行跟蹤！對(duì)上個(gè)版本中發(fā)生的一些量變激動(dòng)不已？添加指標(biāo)對(duì)其進(jìn)行跟蹤！
第 3 條規(guī)則：選擇機(jī)器學(xué)習(xí)技術(shù)而非復(fù)雜的啟發(fā)式算法。
簡(jiǎn)單的啟發(fā)式算法有利于推出產(chǎn)品。但復(fù)雜的啟發(fā)式算法難以維護(hù)。當(dāng)您獲得足夠的數(shù)據(jù)并基本確定自己要嘗試實(shí)現(xiàn)的目標(biāo)后，請(qǐng)考慮使用機(jī)器學(xué)習(xí)技術(shù)。與大多數(shù)軟件工程任務(wù)一樣，您需要不斷更新方法（無(wú)論是啟發(fā)式算法還是機(jī)器學(xué)習(xí)模型），而且您會(huì)發(fā)現(xiàn)機(jī)器學(xué)習(xí)模型更易于更新和維護(hù)（請(qǐng)參閱第 16 條規(guī)則）。
機(jī)器學(xué)習(xí)第一階段：您的第一個(gè)管道
重點(diǎn)關(guān)注第一個(gè)管道的系統(tǒng)基礎(chǔ)架構(gòu)。雖然展望您將要進(jìn)行的創(chuàng)新性機(jī)器學(xué)習(xí)的方方面面是一件很有趣的事，但如果您不先確認(rèn)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(gè)模型簡(jiǎn)單易用，并正確實(shí)施基礎(chǔ)架構(gòu)。
第一個(gè)模型可以最有效地提升您的產(chǎn)品質(zhì)量，因此不需要花哨，簡(jiǎn)單易用即可。但是，您會(huì)遇到很多預(yù)料之外的基礎(chǔ)架構(gòu)問(wèn)題。在公開(kāi)推出您精心構(gòu)建的新機(jī)器學(xué)習(xí)系統(tǒng)之前，您必須確定以下幾點(diǎn)：
如何為您的學(xué)習(xí)算法獲取樣本。
初步確定對(duì)于您的系統(tǒng)來(lái)說(shuō)，“好”和“壞”的定義是什么。
如何將模型整合到應(yīng)用中。您可以在線(xiàn)應(yīng)用模型，也可以離線(xiàn)使用樣本對(duì)模型進(jìn)行預(yù)計(jì)算，并將結(jié)果存儲(chǔ)在表格中。例如，您可能需要對(duì)網(wǎng)頁(yè)進(jìn)行預(yù)分類(lèi)并將結(jié)果存儲(chǔ)在表格中，但也可能需要在線(xiàn)對(duì)聊天消息進(jìn)行分類(lèi)。
選擇簡(jiǎn)單的特征可以更輕松地確保：
將這些特征正確應(yīng)用于您的學(xué)習(xí)算法。
模型學(xué)習(xí)出合理的權(quán)重。
將這些特征正確應(yīng)用于服務(wù)器端。
當(dāng)您有了能可靠做到上述三點(diǎn)的系統(tǒng)時(shí)，則表示您已完成大部分工作。簡(jiǎn)單的模型可為您提供基準(zhǔn)指標(biāo)和基準(zhǔn)行為，您可以利用這些指標(biāo)和行為測(cè)試更復(fù)雜的模型。某些團(tuán)隊(duì)以“中性”作為首次發(fā)布的目標(biāo) - 在首次發(fā)布時(shí)明確淡化機(jī)器學(xué)習(xí)成果，以避免分心。
第 5 條規(guī)則：撇開(kāi)機(jī)器學(xué)習(xí)，單獨(dú)測(cè)試基礎(chǔ)架構(gòu)。
確保基礎(chǔ)架構(gòu)可測(cè)試，且對(duì)系統(tǒng)的學(xué)習(xí)部分進(jìn)行封裝，以便測(cè)試這些部分之外的方方面面。具體而言：
測(cè)試數(shù)據(jù)導(dǎo)入算法的效果。檢查應(yīng)填充的特征列是否已填充。在隱私權(quán)許可的情況下，手動(dòng)檢查輸入到訓(xùn)練算法的數(shù)據(jù)。如果可能的話(huà)，查看管道中的統(tǒng)計(jì)信息，并與在其他地方處理的相同數(shù)據(jù)的統(tǒng)計(jì)信息進(jìn)行比較。
測(cè)試從訓(xùn)練算法得出模型的效果。確保訓(xùn)練環(huán)境中的模型與應(yīng)用環(huán)境中的模型給出的分?jǐn)?shù)相同（請(qǐng)參閱第 37 條規(guī)則）。
機(jī)器學(xué)習(xí)具有不可預(yù)測(cè)性，因此要有用于訓(xùn)練環(huán)境和應(yīng)用環(huán)境中創(chuàng)建樣本的代碼的測(cè)試；并確保您可以在應(yīng)用期間加載和使用固定模型。此外，了解您的數(shù)據(jù)至關(guān)重要：請(qǐng)參閱分析大型復(fù)雜數(shù)據(jù)集的實(shí)用建議。
第 6 條規(guī)則：復(fù)制管道時(shí)注意丟棄的數(shù)據(jù)。
通常，我們通過(guò)復(fù)制現(xiàn)有管道來(lái)創(chuàng)建新管道（即貨物崇拜編程），且舊管道會(huì)丟棄一些新管道需要的數(shù)據(jù)。例如，Google+ 熱門(mén)信息的管道會(huì)丟棄時(shí)間較早的帖子（因?yàn)樗鼤?huì)不斷嘗試對(duì)最新的帖子進(jìn)行排名）。此管道被復(fù)制用于 Google+ 信息流，在信息流中，時(shí)間較早的帖子仍然有意義，但舊管道仍會(huì)丟棄它們。另一種常見(jiàn)模式是僅記錄用戶(hù)看到的數(shù)據(jù)。因此，如果我們想要對(duì)用戶(hù)看不到特定帖子的原因進(jìn)行建模，此類(lèi)數(shù)據(jù)就毫無(wú)用處，因?yàn)楣艿酪褋G棄所有負(fù)分類(lèi)樣本。Play 中也曾出現(xiàn)過(guò)類(lèi)似的問(wèn)題。在處理 Play 應(yīng)用首頁(yè)時(shí)，創(chuàng)建了一個(gè)新管道，其中還包含來(lái)自 Play 游戲著陸頁(yè)的樣本，但無(wú)任何特征可區(qū)分各個(gè)樣本的來(lái)源。
第 7 條規(guī)則：將啟發(fā)式算法轉(zhuǎn)變?yōu)樘卣骰蛟谕獠刻幚硭鼈儭?/span>
通常，機(jī)器學(xué)習(xí)嘗試解決的問(wèn)題并不是全新的問(wèn)題。有一個(gè)現(xiàn)有的系統(tǒng)，它可用于排名、分類(lèi)，或解決您正嘗試解決的任何問(wèn)題。這意味著有多種規(guī)則和啟發(fā)式算法。使用機(jī)器學(xué)習(xí)進(jìn)行調(diào)整后，此類(lèi)啟發(fā)式算法可為您提供便利。 您應(yīng)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(diǎn)。首先，向機(jī)器學(xué)習(xí)系統(tǒng)的過(guò)渡會(huì)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(guān)于系統(tǒng)的直覺(jué)信息。您可以通過(guò)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(jìn)行預(yù)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(guò)濾器中，如果發(fā)件人已被列入黑名單，則不要試圖重新學(xué)習(xí)“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(lèi)任務(wù)中使用。
創(chuàng)建特征。直接通過(guò)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(lái)計(jì)算查詢(xún)結(jié)果的相關(guān)性分?jǐn)?shù)，則可以將此分?jǐn)?shù)納為一個(gè)特征的值。您日后可能想要使用機(jī)器學(xué)習(xí)技術(shù)調(diào)整該值（例如，將該值轉(zhuǎn)換為一個(gè)有限離散值組中的一個(gè)，或與其他特征相組合），但是首先請(qǐng)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(gè)應(yīng)用啟發(fā)式算法結(jié)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(nèi)容拆分開(kāi)來(lái)，并作為輸入單獨(dú)提供給學(xué)習(xí)算法。部分適用于集成學(xué)習(xí)的技巧也適用于此（請(qǐng)參閱第 40 條規(guī)則）。
修改標(biāo)簽。當(dāng)您感覺(jué)啟發(fā)式算法會(huì)獲取當(dāng)前標(biāo)簽中未包含的信息時(shí)，可以選擇進(jìn)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(shí)也想要優(yōu)質(zhì)的內(nèi)容，則可能的解決方案是用標(biāo)簽乘以應(yīng)用獲得的平均星數(shù)。您可以非常靈活地修改標(biāo)簽。請(qǐng)參閱“您的第一個(gè)目標(biāo)”。
在機(jī)器學(xué)習(xí)系統(tǒng)中使用啟發(fā)式算法時(shí)，請(qǐng)務(wù)必留意是否會(huì)帶來(lái)額外的復(fù)雜性。在新的機(jī)器學(xué)習(xí)算法中使用舊啟發(fā)式算法有助于實(shí)現(xiàn)平穩(wěn)過(guò)渡，但思考下是否有可以達(dá)到相同效果的更簡(jiǎn)單的方法。
監(jiān)控
在一般情況下，請(qǐng)實(shí)行良好的警報(bào)安全機(jī)制，例如設(shè)計(jì)解決警報(bào)的步驟以及提供“信息中心”頁(yè)面。
第 8 條規(guī)則：了解您的系統(tǒng)對(duì)新鮮程度的要求。
如果您使用一天前的模型，效果會(huì)降低多少？一周前的模型呢？一個(gè)季度前的模型呢？此類(lèi)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(huì)對(duì)您的產(chǎn)品質(zhì)量產(chǎn)生嚴(yán)重影響，則最好讓工程師持續(xù)觀察相關(guān)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(jī)器學(xué)習(xí)模型，則不到一個(gè)月便會(huì)產(chǎn)生負(fù)面影響。Google+ 熱門(mén)信息的某些模型中沒(méi)有帖子標(biāo)識(shí)符，因此無(wú)需經(jīng)常導(dǎo)出這些模型。其他具有帖子標(biāo)識(shí)符的模型的更新頻率要高得多。另請(qǐng)注意，新鮮程度會(huì)隨著時(shí)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(shí)。
第 9 條規(guī)則：先檢測(cè)問(wèn)題，然后再導(dǎo)出模型。
很多機(jī)器學(xué)習(xí)系統(tǒng)都會(huì)經(jīng)歷導(dǎo)出模型以應(yīng)用模型的階段。如果導(dǎo)出的模型存在問(wèn)題，則是面向用戶(hù)的問(wèn)題。
在導(dǎo)出模型之前，請(qǐng)進(jìn)行健全性檢查。具體而言，確保模型在處理預(yù)留數(shù)據(jù)方面表現(xiàn)合理?；蛘哒f(shuō)，如果您一直認(rèn)為數(shù)據(jù)存在問(wèn)題，請(qǐng)不要導(dǎo)出模型。很多經(jīng)常部署模型的團(tuán)隊(duì)在導(dǎo)出模型之前，會(huì)先檢查 ROC 曲線(xiàn)下面積（簡(jiǎn)稱(chēng) AUC）。尚未導(dǎo)出的模型存在問(wèn)題時(shí)，需要發(fā)送電子郵件提醒；但面向用戶(hù)的模型出現(xiàn)問(wèn)題時(shí)，可能需要通過(guò)一個(gè)頁(yè)面進(jìn)行宣布。 因此，最好先等待檢查完畢并確保萬(wàn)無(wú)一失后再導(dǎo)出模型，以免對(duì)用戶(hù)造成影響。
第 10 條規(guī)則：注意隱藏的問(wèn)題。
相比其他類(lèi)型的系統(tǒng)，這種問(wèn)題更常見(jiàn)于機(jī)器學(xué)習(xí)系統(tǒng)。假設(shè)關(guān)聯(lián)的特定表格不再更新，那么，機(jī)器學(xué)習(xí)系統(tǒng)會(huì)進(jìn)行相應(yīng)調(diào)整，其行為仍然會(huì)相當(dāng)好，但會(huì)逐漸變?cè)恪Ｓ袝r(shí)，您會(huì)發(fā)現(xiàn)有些表格已有幾個(gè)月未更新，只需刷新一下，就可以獲得比相應(yīng)季度做出的所有其他改進(jìn)都更有效的效果提升！特征的覆蓋率可能會(huì)因?qū)崿F(xiàn)變化而發(fā)生改變：例如，某個(gè)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(gè)過(guò)時(shí) 6 個(gè)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(duì)數(shù)據(jù)的統(tǒng)計(jì)信息進(jìn)行跟蹤，并不時(shí)地手動(dòng)檢查數(shù)據(jù)，就可以減少此類(lèi)失敗。
第 11 條規(guī)則：提供特征列的所有者及相關(guān)文檔。
如果系統(tǒng)很大，且有很多特征列，則需要知道每個(gè)特征列的創(chuàng)建者或維護(hù)者。如果您發(fā)現(xiàn)了解某個(gè)特征列的人要離職，請(qǐng)確保有人知道相關(guān)信息。盡管很多特征列都有說(shuō)明性名稱(chēng)，但針對(duì)特征的含義、來(lái)源以及預(yù)計(jì)提供幫助的方式提供更詳細(xì)的說(shuō)明，是一種不錯(cuò)的做法。
您的第一個(gè)目標(biāo)
您會(huì)關(guān)注很多有關(guān)系統(tǒng)的指標(biāo)或測(cè)量結(jié)果，但通常只能為您的機(jī)器學(xué)習(xí)算法指定一個(gè)目標(biāo)，即您的算法“嘗試”優(yōu)化的數(shù)值。 在這里，我介紹一下目標(biāo)和指標(biāo)有何區(qū)別：指標(biāo)是指您的系統(tǒng)報(bào)告的任意數(shù)字，可能重要，也可能不重要。另請(qǐng)參閱第 2 條規(guī)則。
第 12 條規(guī)則：選擇直接優(yōu)化哪個(gè)目標(biāo)時(shí)，不要想太多。
您想賺錢(qián)，想讓用戶(hù)滿(mǎn)意，想讓世界變得更美好。您關(guān)注的指標(biāo)有很多，而且您應(yīng)該對(duì)所有這些指標(biāo)進(jìn)行測(cè)量（請(qǐng)參閱第 2 條規(guī)則）。不過(guò)，在早期的機(jī)器學(xué)習(xí)過(guò)程中，您會(huì)發(fā)現(xiàn)這些指標(biāo)都呈上升趨勢(shì)，甚至那些您沒(méi)有選擇直接優(yōu)化的指標(biāo)也是如此。例如，假設(shè)您關(guān)注點(diǎn)擊次數(shù)和用戶(hù)在網(wǎng)站上停留的時(shí)間。如果您優(yōu)化點(diǎn)擊次數(shù)，則用戶(hù)在網(wǎng)站上停留的時(shí)間很可能也會(huì)增加。
所以，當(dāng)您仍然可以輕松增加所有指標(biāo)時(shí)，保持簡(jiǎn)單，不要過(guò)多考慮如何在不同的指標(biāo)間實(shí)現(xiàn)平衡。但不要過(guò)度使用此規(guī)則：不要將您的目標(biāo)與系統(tǒng)最終的運(yùn)行狀況相混淆（請(qǐng)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(biāo)，但決定不發(fā)布系統(tǒng)，則可能需要修改某些目標(biāo)。
第 13 條規(guī)則：為您的第一個(gè)目標(biāo)選擇一個(gè)可觀察且可歸因的簡(jiǎn)單指標(biāo)。
您往往并不知道真正的目標(biāo)是什么。您以為自己知道，但當(dāng)您盯著數(shù)據(jù)，對(duì)舊系統(tǒng)和新的機(jī)器學(xué)習(xí)系統(tǒng)進(jìn)行對(duì)比分析時(shí)，您發(fā)現(xiàn)自己想調(diào)整目標(biāo)。此外，團(tuán)隊(duì)的不同成員通常無(wú)法就什么是真正的目標(biāo)達(dá)成一致意見(jiàn)。機(jī)器學(xué)習(xí)目標(biāo)應(yīng)是滿(mǎn)足以下條件的某種目標(biāo)：易于測(cè)量且是“真正的”目標(biāo)的代理。實(shí)際上，通常沒(méi)有“真正的”目標(biāo)（請(qǐng)參閱第 39 條規(guī)則）。因此，請(qǐng)對(duì)簡(jiǎn)單的機(jī)器學(xué)習(xí)目標(biāo)進(jìn)行訓(xùn)練，并考慮在頂部添加一個(gè)“策略層”，以便您能夠添加其他邏輯（最好是非常簡(jiǎn)單的邏輯）來(lái)進(jìn)行最終排名。
要進(jìn)行建模，最簡(jiǎn)單的指標(biāo)是可直接觀察到且可歸因到系統(tǒng)操作的用戶(hù)行為：
用戶(hù)是否點(diǎn)擊了此已排名鏈接？
用戶(hù)是否下載了此已排名對(duì)象？
用戶(hù)是否轉(zhuǎn)發(fā)/回復(fù)/使用電子郵件發(fā)送了此已排名對(duì)象？
用戶(hù)是否評(píng)價(jià)了此已排名對(duì)象？
用戶(hù)是否將此顯示的對(duì)象標(biāo)記為了垃圾郵件/色情內(nèi)容/攻擊性?xún)?nèi)容？
避免一開(kāi)始對(duì)間接影響進(jìn)行建模：
用戶(hù)第二天訪(fǎng)問(wèn)網(wǎng)站了嗎？
用戶(hù)在網(wǎng)站上停留了多長(zhǎng)時(shí)間？
每日活躍用戶(hù)數(shù)有多少？
其實(shí)，間接影響可成為出色的指標(biāo)，可以在 A/B 測(cè)試和發(fā)布決策期間使用。
最后，不要試圖讓機(jī)器學(xué)習(xí)系統(tǒng)弄清楚以下問(wèn)題：
用戶(hù)在使用產(chǎn)品時(shí)是否感到滿(mǎn)意？
用戶(hù)是否對(duì)使用體驗(yàn)感到滿(mǎn)意？
產(chǎn)品是否提升了用戶(hù)的整體滿(mǎn)意度？
這會(huì)對(duì)公司的整體運(yùn)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(qǐng)改為使用代理指標(biāo)：如果用戶(hù)感到滿(mǎn)意，他們會(huì)在網(wǎng)站上停留更長(zhǎng)時(shí)間。如果用戶(hù)感到滿(mǎn)意，他們明天會(huì)再次訪(fǎng)問(wèn)網(wǎng)站。就滿(mǎn)意度和公司運(yùn)行狀況而言，需要進(jìn)行人為判斷，以便將任意機(jī)器學(xué)習(xí)目標(biāo)與您銷(xiāo)售的產(chǎn)品的性質(zhì)和業(yè)務(wù)計(jì)劃關(guān)聯(lián)起來(lái)。
第 14 條規(guī)則：從可解釋的模型著手可更輕松地進(jìn)行調(diào)試。
線(xiàn)性回歸、邏輯回歸和泊松回歸均由概率模型直接推動(dòng)。每個(gè)預(yù)測(cè)都可看作是一個(gè)概率或預(yù)期值。這樣一來(lái)，相較于使用目標(biāo)（0-1 損失、各種合頁(yè)損失函數(shù)等）以嘗試直接優(yōu)化分類(lèi)準(zhǔn)確度或?qū)πЧM(jìn)行排名的模型，這種模型更易于進(jìn)行調(diào)試。例如，如果在訓(xùn)練中得出的概率與采用并排分析方式或通過(guò)檢查生產(chǎn)系統(tǒng)的方式預(yù)測(cè)的概率之間存在偏差，則表明存在問(wèn)題。
例如，在線(xiàn)性回歸、邏輯回歸或泊松回歸中，有一部分平均預(yù)測(cè)期望值等于平均標(biāo)簽值（一階矩校準(zhǔn)，或只是校準(zhǔn)）的數(shù)據(jù)。假設(shè)您沒(méi)有正則化且算法已收斂，那么理論上即是如此，實(shí)際上也是差不多這種情形。如果您有一個(gè)特征，對(duì)于每個(gè)樣本來(lái)說(shuō)，其值要么是 0，要么是 1，則會(huì)校準(zhǔn) 3 個(gè)特征值為 1 的樣本集。此外，如果您有一個(gè)特征，對(duì)于每個(gè)樣本來(lái)說(shuō)，其值均為 1，則會(huì)校準(zhǔn)所有樣本集。
借助簡(jiǎn)單的模型，您可以更輕松地處理反饋環(huán)（請(qǐng)參閱第 36 條規(guī)則）。通常情況下，我們會(huì)根據(jù)這些概率預(yù)測(cè)來(lái)做出決策；例如，以期望值（點(diǎn)擊概率/下載概率等）為標(biāo)準(zhǔn)，按降序?qū)μ舆M(jìn)行排名。 但是，請(qǐng)注意，當(dāng)選擇要使用的模型時(shí)，您的決定比模型給出的數(shù)據(jù)概率更為重要（請(qǐng)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(nèi)容過(guò)濾和質(zhì)量排名。
質(zhì)量排名是一門(mén)藝術(shù)，但垃圾內(nèi)容過(guò)濾就像一場(chǎng)戰(zhàn)爭(zhēng)。對(duì)于使用您系統(tǒng)的用戶(hù)來(lái)說(shuō)，您使用哪些信號(hào)來(lái)確定高質(zhì)量帖子將變得顯而易見(jiàn)，而且這些用戶(hù)會(huì)調(diào)整自己的帖子，使其具有高質(zhì)量帖子的屬性。因此，您的質(zhì)量排名應(yīng)側(cè)重于對(duì)誠(chéng)實(shí)發(fā)布的內(nèi)容進(jìn)行排名。您不應(yīng)該因?yàn)橘|(zhì)量排名學(xué)習(xí)器將垃圾內(nèi)容排在前列而對(duì)其應(yīng)用折扣。同樣，“少兒不宜”的內(nèi)容也不應(yīng)該在質(zhì)量排名中進(jìn)行處理。 垃圾內(nèi)容過(guò)濾則另當(dāng)別論。您必須明白，需要生成的特征會(huì)不斷變化。通常情況下，您會(huì)在系統(tǒng)中設(shè)置一些明顯的規(guī)則（如果一個(gè)帖子收到三次以上的垃圾內(nèi)容舉報(bào)，請(qǐng)勿檢索該帖子等等）。所有學(xué)習(xí)模型都必須至少每天更新。內(nèi)容創(chuàng)作者的聲譽(yù)會(huì)發(fā)揮很大作用。
在某個(gè)層級(jí)，必須將這兩個(gè)系統(tǒng)的輸出整合在一起。請(qǐng)注意，與過(guò)濾電子郵件中的垃圾郵件相比，在過(guò)濾搜索結(jié)果中的垃圾內(nèi)容時(shí)，可能應(yīng)該更加主動(dòng)。這種說(shuō)法的前提是您沒(méi)有正則化且算法已收斂。一般來(lái)說(shuō)大致是這樣。此外，從質(zhì)量分類(lèi)器的訓(xùn)練數(shù)據(jù)中移除垃圾內(nèi)容是一種標(biāo)準(zhǔn)做法。
機(jī)器學(xué)習(xí)第二階段：特征工程
在機(jī)器學(xué)習(xí)系統(tǒng)生命周期的第一階段，重要的問(wèn)題涉及以下三個(gè)方面：將訓(xùn)練數(shù)據(jù)導(dǎo)入學(xué)習(xí)系統(tǒng)、對(duì)任何感興趣的指標(biāo)進(jìn)行測(cè)量，以及構(gòu)建應(yīng)用基礎(chǔ)架構(gòu)。當(dāng)您構(gòu)建了一個(gè)端到端的可穩(wěn)定運(yùn)行的系統(tǒng)，并且制定了系統(tǒng)測(cè)試和單元測(cè)試后，就可以進(jìn)入第二階段了。
第二階段的很多目標(biāo)很容易實(shí)現(xiàn)，且有很多明顯的特征可導(dǎo)入系統(tǒng)。因此，機(jī)器學(xué)習(xí)的第二階段涉及導(dǎo)入盡可能多的特征，并以直觀的方式將它們組合起來(lái)。在這一階段，所有的指標(biāo)應(yīng)該仍然呈上升趨勢(shì)，您將會(huì)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(xué)習(xí)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(jì)劃。
不要指望您現(xiàn)在正在構(gòu)建的模型會(huì)是您將要發(fā)布的最后一個(gè)模型，也不要指望您會(huì)停止發(fā)布模型。因此，請(qǐng)考慮此次發(fā)布中增加的復(fù)雜性是否會(huì)減緩未來(lái)版本的發(fā)布。很多團(tuán)隊(duì)多年來(lái)每季度都會(huì)發(fā)布一個(gè)或多個(gè)模型。發(fā)布新模型的三個(gè)基本原因如下所示：
您將要添加新特征。
您將要調(diào)整正則化并以新方式組合舊特征。
您將要調(diào)整目標(biāo)。
無(wú)論如何，構(gòu)建模型時(shí)多考慮考慮并沒(méi)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(hào)、舊信號(hào)以及損壞的信號(hào)。因此，在構(gòu)建模型時(shí)，請(qǐng)考慮添加、移除或重新組合特征的難易程度。考慮創(chuàng)建管道的全新副本以及驗(yàn)證其正確性的難易程度?？紤]是否可以同時(shí)運(yùn)行兩個(gè)或三個(gè)副本。最后，不必?fù)?dān)心此版本的管道有沒(méi)有納入第 16 個(gè)特征（共 35 個(gè)），下個(gè)季度會(huì)將其納入。
第 17 條規(guī)則：從可直接觀察和報(bào)告的特征（而不是經(jīng)過(guò)學(xué)習(xí)的特征）著手。
這一點(diǎn)可能存在爭(zhēng)議，但可以避免許多問(wèn)題。首先，我們來(lái)介紹一下什么是學(xué)習(xí)的特征。學(xué)習(xí)的特征是由外部系統(tǒng)（例如非監(jiān)督式集群系統(tǒng)）或?qū)W習(xí)器本身（例如通過(guò)因子模型或深度學(xué)習(xí)）生成的特征。這兩種方式生成的特征都非常有用，但會(huì)導(dǎo)致很多問(wèn)題，因此不應(yīng)在第一個(gè)模型中使用。
如果您使用外部系統(tǒng)創(chuàng)建特征，請(qǐng)注意，外部系統(tǒng)有其自己的目標(biāo)。外部系統(tǒng)的目標(biāo)與您當(dāng)前的目標(biāo)之間可能僅存在一點(diǎn)點(diǎn)關(guān)聯(lián)。如果您獲取外部系統(tǒng)的某個(gè)瞬間狀態(tài)，它可能就會(huì)過(guò)期。如果您從外部系統(tǒng)更新特征，則特征的含義可能會(huì)發(fā)生變化。如果您使用外部系統(tǒng)提供特征，請(qǐng)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(wèn)題是，它們是非凸模型。因此，無(wú)法保證能夠模擬或找到最優(yōu)解決方案，且每次迭代時(shí)找到的局部最小值可能不同。這種變化導(dǎo)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(jī)的。通過(guò)創(chuàng)建沒(méi)有深度特征的模型，您可以獲得出色的基準(zhǔn)效果。達(dá)到此基準(zhǔn)后，您可以嘗試更深?yuàn)W的方法。
第 18 條規(guī)則：探索可跨情境泛化的內(nèi)容的特征。
機(jī)器學(xué)習(xí)系統(tǒng)通常只是更大系統(tǒng)中的一小部分。例如，想象熱門(mén)信息中可能會(huì)使用的帖子，在其顯示到熱門(mén)信息之前，很多用戶(hù)已經(jīng)對(duì)其進(jìn)行 +1、轉(zhuǎn)發(fā)或評(píng)論了。如果您將這些統(tǒng)計(jì)信息提供給學(xué)習(xí)器，它就會(huì)對(duì)在正在優(yōu)化的情景中沒(méi)有數(shù)據(jù)的新帖子進(jìn)行推廣。 YouTube 的“接下來(lái)觀看”可以使用來(lái)自 YouTube 搜索的觀看次數(shù)或連看次數(shù)（觀看完一個(gè)視頻后觀看另一個(gè)視頻的次數(shù)）或明確的用戶(hù)評(píng)分來(lái)推薦內(nèi)容。最后，如果您將一個(gè)用戶(hù)操作用作標(biāo)簽，在其他情境中看到用戶(hù)對(duì)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(nèi)容。請(qǐng)注意，這與個(gè)性化無(wú)關(guān)：先弄清楚是否有人喜歡此情境中的內(nèi)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(duì)于海量數(shù)據(jù)，學(xué)習(xí)數(shù)百萬(wàn)個(gè)簡(jiǎn)單的特征比學(xué)習(xí)幾個(gè)復(fù)雜的特征更簡(jiǎn)單。正在被檢索的文檔的標(biāo)識(shí)符以及規(guī)范化的查詢(xún)不會(huì)提供很多泛化作用，但可以讓您的排名與頻率靠前的查詢(xún)的標(biāo)簽保持一致。因此，請(qǐng)不要害怕具有以下特點(diǎn)的特征組：每個(gè)特征適用于您的一小部分?jǐn)?shù)據(jù)但總體覆蓋率在 90％ 以上。您可以使用正則化來(lái)消除適用樣本過(guò)少的特征。
第 20 條規(guī)則：組合和修改現(xiàn)有特征，以便以簡(jiǎn)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(jī)器學(xué)習(xí)系統(tǒng)，您可以通過(guò)轉(zhuǎn)換對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。最標(biāo)準(zhǔn)的兩種方法是“離散化”和“組合”。
“離散化”是指提取一個(gè)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(gè)年齡不滿(mǎn) 18 周歲時(shí)其值為 1 的特征，并創(chuàng)建年齡在 18-35 周歲之間時(shí)其值為 1 的另一個(gè)特征，等等。不要過(guò)多考慮這些直方圖的邊界：基本分位數(shù)給您帶來(lái)的影響最大。
“組合”方法是指組合兩個(gè)或更多特征列。在 TensorFlow 中，特征列指的是同類(lèi)特征集（例如，{男性, 女性}、{美國(guó), 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(guó), 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(qǐng)注意，您需要擁有大量數(shù)據(jù)，才能使用具有三個(gè)、四個(gè)或更多基準(zhǔn)特征列的組合學(xué)習(xí)模型。
生成非常大的特征列的組合可能會(huì)過(guò)擬合。例如，假設(shè)您正在執(zhí)行某種搜索，您的某個(gè)特征列包含查詢(xún)中的字詞，另一個(gè)特征列包含文檔中的字詞。這時(shí)，您可以使用“組合”方法將這些特征列組合起來(lái)，但最終會(huì)得到很多特征（請(qǐng)參閱第 21 條規(guī)則）。
處理文本時(shí)，有兩種備用方法。最嚴(yán)苛的方法是點(diǎn)積。點(diǎn)積方法采用最簡(jiǎn)單的形式時(shí)，僅會(huì)計(jì)算查詢(xún)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(dāng)且僅當(dāng)文檔和查詢(xún)中都包含“pony”一詞時(shí)，才會(huì)出現(xiàn)一個(gè)特征；當(dāng)且僅當(dāng)文檔和查詢(xún)中都包含“the”一詞時(shí)，才會(huì)出現(xiàn)另一個(gè)特征。
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
