本文转载自公众号“读芯术”(ID：AI_Discovery)
本文将重点介绍一些数据科学领域的关键概念，掌握它们对于你今后的职业生涯大有益处。这些概念或许你已经了解，或许你还未掌握。不论你现在是否清楚，笔者的目的是向你专业地解释为何它们至关重要。
多重共线性、独热编码、欠采样和过采样、误差度量以及叙事能力，这是笔者在想到专业数据科学家日常工作时首先想到的关键概念。叙事能力或许算是技能和概念的结合，但笔者在此还是想强调它在数据科学家工作中的重要性。我们开始吧!
多重共线性
多重共线性虽然看起来又长又拗口，拆开来看还是易于理解的。“多重”指数量多，“共线性”则意味着线性相关。多重共线性可以描述为在回归模型中，两个或多个解释变量解释相似信息或高度相关。这一概念之所以引起关注，有以下几个原因。
对于某些建模技术来说，多重共线性可能导致过拟合，最终降低模型性能。冗余数据时有出现，模型中的所有特征或属性并非都是有必要的。因此，可以采用某些方法来找到应该被删除的特征，正是它们导致了多重共线性。
- 方差膨胀系数(VIF)
- 相关矩阵
数据科学家们经常使用这两种技术，尤其是相关矩阵和相关图——通常用某种热图进行可视化，而VIF则不太为人所知。VIF值越高，该特征对回归模型的用处就越小。
独热编码
独热编码是模型中的一种特征转换形式，你可以通过编码来数值化地体现类别特征。尽管类别特征本身有文本值，但是独热编码会将这些信息转置，以便每个值都成为特征，行中的观察值记为0或1。例如，假设我们有分类变量gender，独热编码后的数字表示如下(之前表示为gender，之后表示为male/female)：
独热编码处理前后对比
如果你不仅要使用数字化的特征，还需要使用文本/类别特征创建数字表示，那么此转换非常有用。
采样
当你拥有的数据不足时，可以使用过采样作为一种补偿。假设在处理一个分类问题时，有一个如下例所示的少数类：
- class_1 = 100 rows
- class_2 = 1000 rows
- class_3 = 1100 rows
如你所见，class_1的类只有少量数据，这意味着你的数据集是不平衡的，也就是所谓的少数类。
有几种过采样方法。其中一种叫做SMOTE，即合成少数类过采样技术(Synthetic Minority Over-samplingTechnique)。SMOTE的实现方式之一是采用K近邻(K-neighbor)算法来找到最近的点以合成样本。也有类似的技术反其道而行之，进行欠采样。
当类或回归数据中有离群值时，如果你希望确保模型运行在最能体现数据集的采样结果之上，那么这些技术便能派上用场。
误差度量
在数据科学中，有很多用于分类模型和回归模型的误差度量。以下是一些可以专门用于回归模型的方法：
- metrics.explained_variance_score
- metrics.max_error
- metrics.mean_absolute_error
- metrics.mean_squared_error
- metrics.mean_squared_log_error
- metrics.median_absolute_error
- metrics.r2_score
- metrics.mean_poisson_deviance
- metrics.mean_gamma_deviance
对回归模型来说，上述误差度量中最常用的两种是MSE(均方误差)和RMSE(均方根误差)：
- MSE：平均绝对误差回归损失(引自sklearn)
- RMSE：均方根误差回归损失(引自sklearn)
对于分类模型来说，可以用精度和ROC曲线下的面积(AUC，Area Under the Curve)来评价模型的性能。
叙事能力
叙事概念的重要性怎么强调都不为过。它可以被定义成一种概念或技能，但定义本身并不重要。重要的是，如何在商业环境中展现出自己解决问题的能力。许多数据科学家总是只关注模型的精度，但却无法理解整个商业过程。该过程包括：
- 业务是什么?
- 问题是什么?
- 为何需要数据科学?
- 数据科学在其中的目标是什么?
- 何时能得到可用结果?
- 如何应用我们的结果?
- 我们的结果有什么影响?
- 如何分享我们的结果和整个过程?
上述问题与模型本身或提升精度无关，重点是如何使用数据来解决公司的问题。与利益相关者和非技术领域的同事相熟对此是大有助益的，在运行基础模型之前，你需要和产品经理一道评估问题，和数据工程师一起收集数据。在模型过程结束时，你将向关键人员介绍结果，这些人最喜欢看可视化结果，因此掌握呈现和交流的技能也是有益的。
对于数据科学家和机器学习工程师来说，有许多需要掌握的关键概念。本文介绍的5点，你了解了吗?
