當大家聽到“大數(shù)據(jù)”、“模型”等字眼的時候，是不是都會油然而生出一種崇敬之情？覺得玩大數(shù)據(jù)是一個高深莫測的事情，可望而不可即？如果是這樣的話，趕緊來閱讀本文吧。本文試圖告訴大家，模型并不是什么高深的玩意，它幾乎處處存在我們的生活，甚至我們每天都在“做模型”。

很多人覺得“模型”、“大數(shù)據(jù)”、“機器學習”這些字眼很高大很神秘，事實上，它跟我們生活中選水果差不了多少。本文用了幾千字，來試圖教會大家怎么選芒果。

一、模型的比喻

假如我要從一批芒果中，找出好吃的那個來。而我不能直接切開芒果嘗嘗，所以我只能觀察芒果，能觀察到的量有顏色、表面的氣味、大小等等，這些就是我們能夠收集到的信息（特征）。

生活中還要很多這樣的例子，比如買火柴（可能年輕的城里人還沒見過火柴？），如何判斷一盒火柴的質(zhì)量？難道要每根火柴都劃劃，看看著不著火？顯然不行，我們最多也只能劃幾根，全部劃了，火柴也不成火柴了。當然，我們還能看看火柴的樣子，聞聞火柴的氣味，這些動作是可以接受的。

我們可能會發(fā)現(xiàn)，黃色的、大個的芒果會很甜，可是也發(fā)現(xiàn)，有些不怎么黃的、小個的也很甜。那么，顏色、氣味、體積這些特征，究竟分別占多少比例呢？如果我能夠找出這個比例，那么就找出了一個預測芒果好不好吃的方法。火柴的例子也一樣，我們可以劃幾根，看看哪些是能夠點著的，然后總結(jié)出一個不用劃也能預測能不能著火的方法。

模型做的就是這樣一個事情。我們先找出一批芒果（樣本），記錄它的特征（顏色、氣味、體積等），然后讓人嘗嘗，并且評價出哪個好吃，哪個不好吃。于是乎，我們就可以根據(jù)這批樣本，總結(jié)出顏色、氣味、體積各占多少比例。這個總結(jié)的過程，是機器自己在做的。

做完之后，我們就得到了一個預測芒果好不好吃的模型，這有點像黑箱子，以后把顏色、氣味、體積等數(shù)據(jù)代進去，就可以算出好吃的概率。

二、模型的意義

從以上的比喻，可以看出模型最重要的意義，是解決了兩個問題：

1.“一刀切”

“一刀切”應該是讓我們很痛心疾首的做法，像在中學，老師不問三七二十一就給我們來個差評，這便是典型的“一刀切”了。“一刀切”的做法具有一定的準確率，但并非所有問題都可以“一刀切”解決，相反，“一刀切”往往還把“優(yōu)良品種”給切錯了！

比如我要在班上找出成績好的學生好，我們自然會想到學習成績跟花在學習上的時間成正比，所以我們認為“每天學習時間大于5小時”就是成績好的人。這就是“一刀切”的做法。可是明明就有些人，天資聰穎，或者學習方法效率高，他每天花一個小時，成績就很優(yōu)秀。這樣的人，就被我們“切死”了，而且顯然，切死的還是優(yōu)良品種。

2.自動學習

還是從芒果的例子出發(fā)。如果我們憑借“多年來的經(jīng)驗”，就算不用模型，也摸索出了一套判斷好吃芒果的方法。可能此時人們就會說“你們的模型有什么了不起，我們自己就可以做得很好。”可是，假如我現(xiàn)在不想吃芒果了，我想吃橘子，我想吃葡萄，那么我們又怎么預測橘子、葡萄的好吃程度呢？我們總不能等很多年以后，再來積累荔枝、蘋果的“多年經(jīng)驗”吧？耗時尚且不說，也耗費人力。

當然，可能別人有橘子、葡萄的相關經(jīng)驗，我們可以向他們請教。但是請教是有成本的，大家想想到處肆行的各種收費培訓活動就是了。

模型正好解決了這個問題，它允許我們從一批已經(jīng)有的樣本出發(fā)（不管是芒果、蘋果還是荔枝），自動地、機器地“總結(jié)”（這個過程稱為學習）出一套判斷方法來。由于學習都是機器在做，對于我們就省事省力了。我們只需要泡杯茶，坐等模型結(jié)果出來，再看看模型結(jié)果好不好就行了。這總比我們自己去學習、總結(jié)，然后再判斷自己的學習效果更好吧？

三、模型的做法

要做好一個模型，通常來說有以下步驟：

1.準備樣本

樣本就是我們用來學習的那一批“芒果”樣本。事實上，模型的建立過程跟人類的學習過程是很類似的。如果交給人類來做，我們肯定會先拿來一部分芒果，然后記錄它們的顏色、大小、氣味等特征，然后把它們都切開嘗嘗，看看哪個酸哪個甜，最后總結(jié)出規(guī)律來。

對于模型來說，模型代替了人類總結(jié)的過程，也就是最后一步。前面的準備過程，還是需要我們來完成的。我們要自己嘗一批芒果，記錄那批芒果的信息，然后把這些信息都輸入模型中，模型就能夠自動學習好，學習好之后，就能夠用這個模型來預測新的芒果味道了。

準備樣本，意思是要準備好的樣本和壞的樣本，換句話說，你要找一批好吃的芒果來，記錄它的特征，你也要找一批不好吃的芒果來，記錄它的特征，然后把這些信息都告訴模型，模型才能自動學習。在這個過程中，人類做的是記錄員的角色。

2.準備特征

特征就是和判斷結(jié)果有關的一些變量，是模型預測的基礎。

簡單來說，特征就是芒果的好吃與否跟什么有關的“什么”，如果我們覺得芒果的好吃程度跟芒果的大小、顏色、氣味有關，那么“大小”、“顏色”、“氣味”就是模型的特征，當然，前提是把這些信息數(shù)量化。

特征有好壞之分，好的特征可以幫助模型作出正確的預測，而壞的特征至少無益于預測。比如，在哪棵樹摘的芒果、在星期幾摘的芒果，這大概都不是什么好的特征的，也就是說這些信息通常來說并不能幫助我們判斷芒果的好吃程度。（注意是“通常來說”，并不是絕對的。也許A樹摘下來的芒果確實都比B樹的好吃也說不定。）

好的特征對模型是至關重要的，可以說，尋找好的特征（不管是人工尋找還是機器尋找），是模型中最重要的部分。一個好的數(shù)據(jù)研究員在建模的過程中，應當把主要的精力放在特征的選取上；然而，現(xiàn)在多數(shù)研究員往往走向了誤區(qū)，他們把大量的精力放到了模型上面（也就是第3步）。

3.準備模型

準備模型其實就是選擇模型，也就是用什么模型來學習。這好比人有不同的學習方法、學習經(jīng)驗，究竟選取怎么樣的方法去學習一樣。

在真正的機器學習領域中，模型有相當多了，比如分為線性模型和非線性模型，線性模型有邏輯回歸、SVM等，非線性模型有隨機森林、GBDT、神經(jīng)網(wǎng)絡等等。對于模型來說，一般有以下幾點需要清楚：

（1）模型不是最重要的

事實上，建模過程中最重要的一塊是特征的選取，選取了正確的特征，模型之間的效果相差不會太大，因此，不要把大部分精力放在模型的選取上；

（2）防止過擬合

過擬合是一個比較難以察覺的現(xiàn)象，總的來說，就是得出來的模型，在樣本內(nèi)的測試效果表現(xiàn)非常好，而在實際應用中卻一塌糊涂。防止過擬合的通常方法是設置一定的正則系數(shù)（對于邏輯回歸，一般是0.01），或者設置較小的深度（決策樹相關的模型）。

（3）盡量用線性模型

非線性模型，如GBDT一般效果比較好，但是也更加容易過擬合，因此，如果非線性模型的效果不是比線性模型好很多的話，盡量用線性模型，因為這樣的模型穩(wěn)定性更好。這樣的理念實際上符合了這么一個奧卡姆剃刀定律：“如無必要，勿增實體。”

四、最后的最后

當然，不論怎樣都需要強調(diào)：模型是有用的，但是模型不是萬能的，也不是最重要的。不要迷信模型，而喪失了我們自己的主觀能動性。模型可以說是一件藝術品，前提是——你是一位藝術家。

樂發(fā)網(wǎng)超市批發(fā)網(wǎng)提供超市貨源信息,超市采購進貨渠道。超市進貨網(wǎng)提供成都食品批發(fā),日用百貨批發(fā)信息、微信淘寶網(wǎng)店超市采購信息和超市加盟信息.打造國內(nèi)超市采購商與批發(fā)市場供應廠商搭建網(wǎng)上批發(fā)市場平臺,是全國批發(fā)市場行業(yè)中電子商務權(quán)威性網(wǎng)站。

本文內(nèi)容整合網(wǎng)站：百度百科、知乎、淘寶平臺規(guī)則

本文來源： 漫話阿里御膳房數(shù)據(jù)模型