作為數據科學家，我在很多公司工作過，也遇到了很多問題和挑戰。事實上，很多人都會經歷這些挑戰，就不同情況而言，也會有多種可行的解決方案。我將談談我曾面臨的一些最常見或最困難的挑戰。

業務問題描述不當

只要有一個工作人員出錯，你就會面臨這個挑戰。數據科學專家的主要工作之一就是做業務問題描述——這也就是起初使用數據科學的原因。

實際上，多數情況下描述不是某個數據科學專家自己，而是整個團隊。團隊里通常包括利益相關者，比如產品經理。但是，團隊內可能出現技術脫節，任一方都可能對業務問題描述不當。

產品經理可能會說：“我們要提更多建議，大家才能買的更多”，而數據科學專家可能會說：“向大家推薦產品的時候，超過80%的情況下我們要有95%的把握?！?/p>

這兩種問題描述總體來講都很好，但都不夠細化，或者只是勾勒出了問題的輪廓。問題描述是要從中找出解決方案，但是本身并不是解決方案。

以下是一個更好的業務問題描述問題的例子：“顧客平均每個訂單只買一件東西”。

就是這么簡單。一開始雙方都想方設法將描述復雜化，但現在這樣更高效。雖然沒有解決方案，但人人都能看懂這種直接、通俗易懂的描述。

示例描述說明一件東西不夠，那么解決方案可能就是如何讓顧客更可能買一件以上的東西。一種數據科學解決方案就是使用機器學習推薦系統。在工作中不要好高騖遠，而要專注于眼下的實際問題，這很重要。

數據失衡

任何真正與數據打交道的人大多都會遇到數據失衡的問題。比如，遇到分類問題時使用邏輯回歸給新數據賦值0或1。目標變量預計0和1各占50%的可能。然而，結果完全出乎預料。

如果試著將一種新動物歸類為狗或者貓，就需要貓狗各1000列的訓練數據。這樣，模型才足夠辨別二者的不同之處。如果訓練數據中貓有1900只，狗只有100只，那么就可能產生誤解，認為多數新動物都是貓，這是個很常見的問題。

可能的解決方案是使用其他補強少數部分的機器學習算法，或者創建新的綜合數據。有一種技術叫不均衡學習（imbalanced-learn），可以采用下列具體方法進行過采樣：

ADASYN算法（Adaptive Synthetic，自適應綜合過采樣）

BorderlineSMOTE算法

KMeansSMOTE算法

RandomOverSampler算法

SMOTNC算法

SVMSMOTE算法（Nominal andContinuous）

這些過采樣方法都非常有效，而且能解決數據不均衡問題。還有很多方法，比如欠采樣、二者相結合、組合法、Keras和TensorFlow的批量生成器。下面是過采樣操作的示例：

畫一幅二維視圖

繪制已知數據點

選擇一個已知點

找出最鄰近點

在鄰近點與原始數據點之間畫一條線

然后隨機將大頭針丟在這些線上

這就是新合成的過采樣數據

像RandomForest之類的一些機器算法函數庫的參數要指定均衡數據也很簡單。

過擬合

構建的數據科學模型將訓練數據解析的太透徹就會出現過擬合問題。模型接收了訓練數據中的詳細信息，也包括數據中的噪音，所以過于具體，而這在預測新的真實數據時是無用的，結果模型就無法做出正確推斷和歸納。模型的目的是處理好未見過的數據，所以要想辦法找到能處理好新數據的解決辦法并付諸使用。

交叉驗證

移除重復或相似特點

及早停止

正則化

集成法

非參數機器學習算法

使用更多數據訓練

特征不足

制定業務問題描述之后，通常還需要開始尋找數據，然后形成自己的特點，輸入到數據科學模型中作為訓練數據。對公司數據表了解的越多，就會發現還可以以其它縱列為新特征。不過，一開始特征有限的問題還有另一種解決辦法。

構建當前度量的統計數據。例如，一般具有“每位用戶點擊量”特征，就會停止。但也可以從如下某一縱列中創建新的度量：

每位用戶的平均點擊量

每位用戶的眾數點擊量

每位用戶75%百分位數點擊量

還有很多不同方式來描述該特征的范圍。

版本控制

數據科學家非常習慣獨自工作，喜歡對同一個重點項目創建20個不同版本的Jupyter Notebook。我們約定好了命名，但第二天就忘記了。然后，一切變得一團糟。但其實還有更好的方式——那就是Git和GitHub。

Git

GitHub

如果數量較少的話，還有其它自制辦法，比如用特殊數字方法（例：Notebook1，Notebook2）創建新版本。

這些工具可以通過創建區別于主干/代碼庫的獨立分支，幫你形成自己的代碼變化。然后就可以創建一個拉取請求來比較代碼變化，在獲得他人認可后并入原件。如此一來，你就不僅是在創建代碼評審，而且還允許大家注意到并更加了解你的特定代碼。

如你所見，數據科學家會面臨很多挑戰，我所談到的只是冰山一角。但這些問題是我經歷最多的，我認為應該重點討論的。希望我的方法能幫你順利解決這些問題。
責編AJX