作为数据科学家，你会如何搞定这五大挑战？

只要有一个工作人员出错，你就会面临这个挑战。数据科学专家的主要工作之一就是做业务问题描述——这也就是起初使用数据科学的原因。

实际上，多数情况下描述不是某个数据科学专家自己，而是整个团队。团队里通常包括利益相关者，比如产品经理。但是，团队内可能出现技术脱节，任一方都可能对业务问题描述不当。

产品经理可能会说：“我们要提更多建议，大家才能买的更多”，而数据科学专家可能会说：“向大家推荐产品的时候，超过80%的情况下我们要有95%的把握。”

这两种问题描述总体来讲都很好，但都不够细化，或者只是勾勒出了问题的轮廓。问题描述是要从中找出解决方案，但是本身并不是解决方案。

以下是一个更好的业务问题描述问题的例子：“顾客平均每个订单只买一件东西”。

就是这么简单。一开始双方都想方设法将描述复杂化，但现在这样更高效。虽然没有解决方案，但人人都能看懂这种直接、通俗易懂的描述。

示例描述说明一件东西不够，那么解决方案可能就是如何让顾客更可能买一件以上的东西。一种数据科学解决方案就是使用机器学习推荐系统。在工作中不要好高骛远，而要专注于眼下的实际问题，这很重要。

数据失衡

任何真正与数据打交道的人大多都会遇到数据失衡的问题。比如，遇到分类问题时使用逻辑回归给新数据赋值0或1。目标变量预计0和1各占50%的可能。然而，结果完全出乎预料。

如果试着将一种新动物归类为狗或者猫，就需要猫狗各1000列的训练数据。这样，模型才足够辨别二者的不同之处。如果训练数据中猫有1900只，狗只有100只，那么就可能产生误解，认为多数新动物都是猫，这是个很常见的问题。

可能的解决方案是使用其他补强少数部分的机器学习算法，或者创建新的综合数据。有一种技术叫不均衡学习(imbalanced-learn)，可以采用下列具体方法进行过采样：

ADASYN算法(Adaptive Synthetic，自适应综合过采样)

BorderlineSMOTE算法

KMeansSMOTE算法

RandomOverSampler算法

SMOTNC算法

SVMSMOTE算法(Nominal andContinuous)

（编辑：焦作站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!