大数据开发如何转型算法？
算法建模主要做什么？调参为什么玄学？
如何通俗理解算法建模过程。。

夕阳下的村东头，有一人来买瓜。

1 引子（买瓜）

忙碌的一天刚刚结束，村里的小张就匆匆的骑上车，准备买个西瓜解暑。

天气可真热，等会一定要挑个​​又甜​​、​​又熟​​的大西瓜。

心里嘀咕着，小张慢慢的来到了村东头水果摊前（这里的瓜最好）。

老板，你这西瓜保熟吗？给我挑个甜的、熟点的。

放心好了，看看这​​瓜纹​​和​​瓜蒂​​，而且我都是​​自家种​​的，肯定保熟。

小张心里直打鼓: 瓜蒂​​蜷曲​​、瓜纹​​青绿​​，看起来貌似是好瓜。但是之前按这标准买的瓜，吃起来并不甜。

回想起父辈的挑瓜经验：敲声​​浊响​​的才是好瓜。于是就再敲了敲几个大瓜，嗯，​​声音​​倒是没错。

保险起见，还是货比三家靠谱。小张走向其他​​店铺​​，又挑了不同​​种类​​和​​大小​​的西瓜，并试吃了一些。

经过了几分钟斟酌，在众老板的欣慰目光中，小张终于选好了一个皮​​薄​​、颜色​​青绿​​、根蒂​​卷​​、敲击会发出​​浊响​​的大瓜。

现场切开尝了下，味道很甜。

开心的小张付完钱，嘴里哼着小调，骑行而去。。

2 算法建模到底在干什么

小张最后买到了好瓜，好奇的我们先来围观一下他的买瓜过程 :

• 自己想买个又甜又熟的大西瓜
• 筛选西瓜的颜色、瓜蒂、声音、种类和大小
• 根据总结的选瓜方法在不同的瓜摊中挑选试吃
• 综合对比，选出了最好的一个瓜，实现了西瓜自由

大白话概括买瓜流程

先确定一个​​预期目标​​（买到好瓜）和选瓜​​环境​​（村东头）；其次总结选瓜​​方法​​（父辈经验）和选瓜​​特征​​（颜色、瓜蒂等）；最后根据这套​​方法论​​ + ​​实战​​，货比三家，对比得到了最好的​​预期结果​​（一个好瓜）。

故事中的小张凭借多年挑瓜​​经验​​，总结好瓜的​​特征​​: ​​皮薄​​、​​青绿瓜纹​​、​​曲根蒂​​和​​浊响声​​。根据这些特征，现场进行​​望闻问切​​，多次实验，选出​​最好​​的瓜。

现在换个角度，假设有台机器可以帮我们这些事情。

我们给机器输入一些西瓜的数据：包括各种西瓜的​​大小​​、​​种类​​、​​颜色​​、​​瓜蒂​​和​​敲击声​​等信息，再提供一些计算好瓜的​​算法公式​​，希望机器能够稳定、准确的帮我们筛选出好瓜和坏瓜。

通俗理解，这就是大数据算法建模所做的工作。

大数据算法建模核心思想

在理解业务背景、数据含义的基础上确定​​预期目标​​；数据​​预处理​​后，选择合适的​​算法​​和​​数据特征​​并构建​​模型​​，训练最好的模型帮助我们最大化逼近（​​预测​​）预期目标。

3 大白话讲解算法建模流程

前文介绍了算法建模帮我们解决了什么问题？接下来瞅瞅如何进行算法建模。

我会详细介绍算法建模的具体流程，并借助于​​买西瓜​​的例子说明。

为避免内容枯燥，后面画了大量示意图，方便理解

先来看看整体的算法建模流程：

1）流程说明

整体大致可分为​​业务/数据理解​​、​​预处理​​、​​特征工程​​、​​模型训练​​、​​模型评估​​和​​预测​​几个步骤。

• 首先要理解数据和业务目标，即明确目标和测试的数据。比如说我想挑一个好西瓜，你总不能去个早餐店拿两个包子回来吧？
• 其次是数据预处理工作。一般读取的数据是存在一些空值、异常值等其他非友好的特性，需要做些特殊处理。
• 在预处理基础上，进一步获取为模型所用的数据（特征），被称作特征工程。在买瓜过程，小张就很老道的看瓜纹、瓜蒂、听敲击声，这些就是好瓜的特征。
• 特征工程完成后，可以选择合适算法进行模型训练。此时通常将数据集分成测试集和验证集，以此检验模型效果，即区分好瓜的正确程度。
• 经过几轮模型训练和特征工程（过程可迭代、可双向），获取效果最好的模型，在真实数据集进行预测（切瓜）。

2）数据、业务理解

常有的一个误区：

即无需事先确定目标和数据，总以为能够找到一个完美的算法，能够帮我们自动获取数据规律。

但是算法并不是万能的，需要与之适配的数据和使用场景。再好的剑也需要有温养的环境和一副好剑鞘。

3）数据预处理

算法建模中的数据来源为数据同事开发的指标。比如用户产品推荐，就需要加工一些用户行为指标。

当然这些加工后的数据不能直接给模型使用，需要进行处理。

• 饱和度（空值填充、异常值过滤）
• 无量纲化：将数据转换为同等规格。比如特征的少量数值过大，可以统一缩放到[0,1]范围，降低样本计算影响程度）
• 定量数据转换：比如西瓜的敲击声（清脆、浊响）转换为数字形式（00、01），进行哑编码（定量编码的一种）。
• 定性数据转换: 比如根据西瓜的重量是否大于5斤，将西瓜的重量分为[0,1]两类，便于数学计算。

4）特征工程

特征工程的主要目的是选择具有价值的数据信息，帮助模型快速和准确训练和预测。

好的数据和特征可以决定训练模型的​​上限​​。

举个例子：选西瓜过程中，经验丰富的小明对比不同种类西瓜的​​纹路​​、​​瓜蒂​​、​​敲击声​​、​​尺寸​​和​​种类​​等特征，快速挑选出想要的好瓜。

假如小明是个新手，那么可能只会根据瓜的​​大小​​、​​颜色​​来区分，认为大而绿的就是好瓜，当然结果可能相差十万八千里。

特征工程的主要工作内容主要如下：

• 基于样本特性筛选特征: 使用数据统计学知识，比如计算特征的方差、相关系数、分箱/WOE、IV值和信息熵等，筛选出结果比较好的特征。
• 基于模型筛选特征: 将部分特征放入到模型中训练，筛选效果好的特征，适用于特征数据量比较大的场景，比较精确。
• 特征衍生：需要引入一些衍生特征（组合旧特征、开发新特征），提高特征的丰富性

5）模型训练

在完成特征工程的基础上，需要选择适配的机器学习算法，构建模型。

这里建议可再次计算部分特征的IV值、信息熵等，确保特征完整性。

常见的机器学习算法：

• 监督学习：包含分类和回归两大类。常见的算法有LR、树算法、神经网络和GBRT等，其中LR逻辑回归和树算法常用于解决风控场景
• 非监督学习：聚类算法、PCA算法和关联规则等算法。其中Kmeans算法被广泛运用于数据挖掘分类场景，关联规则则应用于推荐中。

选择好算法和特征，开始训练模型。训练时间会很长且过程可逆，可适时调整特征和算法迭代。

6）模型评估

模型需要在训练集和验证集上进行训练，如何判断模型训练效果呢？

一般需要从两方面去考虑，即模型准确性和稳定性。

• 准确性评估
  模型能否正确预测结果。比如判断一颗表皮青绿、瓜蒂蜷曲、敲击浊响的瓜有多大概率是好瓜。

常用方法：混淆矩阵、KS曲线、ROC曲线等

• 稳定性评估
  即模型的稳定性，防止随着时间推移，应用模型的样本特征可能会发生变化，影响模型的预测结果。常通过计算特征的PSI值（变化程度），调整模型。

常用方法：PSI计算

• 小于10%，则无需更新模型；10%-20%, 需检查变化原因，加强监控频率；大于20%，则模型需要迭代。

7）预测

将模型带入到真实预测集中，预测结果。

4 算法建模如何学习

上面简单介绍了下大数据算法建模的基本流程。

​由于篇幅问题，不详细之处，可添加我的wx交流。

其实在实际工作中，我们可能大半时间都集中在​​特征处理​​和​​模型训练​​，当然还有玄学的​​调参​​。

一个模型运行的好坏，可能会和多种因素有关。需要在掌握底层原理和技术手段的基础上，根据自己的经验去慢慢调试。

而至于如何去学习入门算法建模，这里也提供个人学习方法和路线（仅供参考）。

• 数据知识：统计学、线性代数和离散数学
• 算法知识：机器学习、深度学习算法、某领域场景算法
• Python基础知识：可以对照菜鸟教程学习
• Python数据分析：Pandas、Numpy、Matploblib
• 框架学习：jupyter、sklearn、tensorflow、pytorch
• 算法建模实战：系统项目实战、领域延深
• 其他：Spark、Hive等大数据技术

5 一些误区和建议

1）做算法建模是不是只会算法就好了？

并不能这么说，正如文中所说​​特征​​和​​数据​​是决定模型的上限。特征处理也要很精通，特别是python和pandas等技术

2）特征工程和数据预处理的关系？

其实这两者都可以归为​​特征处理​​，也即特征工程包含预处理，都是进行数据处理和特征筛选，只不过有的技术体系将其单独划分。

3）模型的准确度不好，如何调参？

我的建议是先去看你的数据，观察特征的​​饱和度​​、​​IV值​​、​​PSI值​​等，一般不好的特征很大程度影响模型好坏。随后再去调整模型的​​超参数​​，只有你的特征比较好，调整超参才能发挥更好的效果。

4）没基础怎么学习算法建模

建议可以按照我上面推荐的学习路线去看，其实算法建模对于没有基础的朋友来说是有蛮高门槛的，推荐一定要把算法理论和数学理论学扎实点，不要深究，理解并会使用即可。

5）那么多编程框架怎么选？学习哪个好

框架只是一个工具，方便编码和调试；重要的是把基础知识学好，任意选择一个即可，推荐pytorch。

6）一点点建议

建议先把基础知识打牢，包括算法和数学知识，这样在后面会学的很轻松。 至于python、pandas、pytorch等全是工具组件，比较好入门。一开始不用铺开学习所有算法，建议学习一些常用的，后面根据具体场景实战中学习即可。

6 写在最后

有一人来买瓜，这瓜保熟。。

》》》更多文章，欢迎关注我的gzh：大数据兵工厂