年度技术总结-MachineLearning篇

2015年参加了3次大数据/Machine Learning相关的比赛（天猫LBS/DataCastle职位预测/内网简历预测），特将问题和技巧汇总成文。

碰到的问题

• 痛点1. 实验平台和环境不熟

ODPS和御膳房是天池比赛标配，目前通过SQL/XLab/PAI尚能适应，Datacastle外部赛数据量较小，可以使用任何单机版工具，就面临工具选择问题。但不论如何，最好能在比赛前，掌握比赛指定的平台和工具，减少编码错误导致的debug时间。2次天池比赛，在SQL联表的多记录冗余和NULL值misjoin上吃了多次亏，延误了比赛进度。

• 痛点2. 线下表现与线上测评不一致

对线下优化的打击很大，即便线下优化的很好，提交后结果大失所望。

• 痛点3. 特征选择以保证结果最优

不知道哪些特征是有效的，特征工程一抹黑，要么激进地加了一大堆特征，要么保守地不敢随意在最佳特征集上新增特征。

解决技巧

1. 残缺样本的清洗

天猫LBS推荐大赛数据量千万级，个别列缺失样本众多，可以考虑保留数据质量较好的样本，同时节省一次试错流程的时间。而后面的2次简历预测大赛数据量刚上万级，样本数量比较少，尽可能对缺失值进行填补。

2. 保留线下/线上分布一致的特征

线下表现OK，线上惨不忍睹，除了过拟合，数据量不足情况下未做交叉验证导致测试集不稳定之外，主要原因就是提取的特征在训练集和线上数据集表现不一致，导致模型训练无效，去除该类特征后，随不能保证成绩提升，但是至少线下和线上的提升方向很大概率上保持一致。

3. 关注正负样本比例

天猫LBS推荐大赛，负样本比例远大于正样本不符合直观感觉，人为设置直观比例后，保证预测结果不偏向于选出较少正样本，也可以清洗一些不靠谱的负样本。

4. 过拟合-欠拟合的平衡

某些特征加入后线下效果飙升，但是线上测评下降，可能利用了某些label的信息导致穿越和过拟合，果断杀掉，引入一些看似泛化类的特征。也可以绘出learning curve，观察train/test的error情况。

5. 分析原始数据，进行特征组合

在简历比赛中，通过正样本分析，发现测试/产品岗位女性比例较其他岗位高，或者经验和学历都很高的资深人士应聘要求不高的岗位，等等。通过交错的特征组合，构造出比较拟合的特征。

6. 先特征工程，后模型调参

避免刚稳定好一套最优参数，被新加的特征又破坏了平衡点。

7. 均衡准确率和召回率

最终提交样本的比例可以通过一次成绩计算得知，提交合适的正样本比例可以拉平准确率和召回率，使得F1值最大化。

8. 确立最佳方案原点

建议新的提升方案尝试之前，保留好当前最好成绩的版本镜像，试错尽量勿深，免得不知道成绩倒退的原因，加大寻找和最佳方案diff的困难。当然如果想从模型架构上动刀，就需要大刀阔斧地修改了。

9. 多模型的比较

阿里简历大赛采用御膳房，可以多模型组件并行跑分，总体测评下来，bayes和svm自不堪当大任，线下比较RF>GBDT=XGBOOST>LR，但是线上测评效果GBDT一直占优，还未能研究RF过拟合的原因。

10. 文本特征潜力较大

简历比赛涉及很多职位，个人的描述信息，从中进行归类和处理就能获得较好的特征，比如对职位等级的归类（高级职位，经理职位，总监职位），以及优秀公司的识别（比如有过百度/腾讯经历的人，应聘阿里成功概率会比其他公司高一筹）。

11. 不要太迷信LR的p-value

虽然LR不是最优模型，但是经常用LR进行特征重要度打分，但是发现不少特征的重要性打分和直观感觉不一致，原因可能是特征之间本身无法保持独立，以及特征空间较大/各特征scale不同导致p-value的不准确。

未来可以尝试的点

1. bad case分析（预测错误case的原始数据分析）

在特征工程进入瓶颈期后，可以针对分类错误的case单独分析，找出新的特征可以改善错误分类，case较多的典型对效果提升会大。

2. 缺失值通过建立预测模型进行填补

对于某列缺失值比例较大的情况，一味的用默认值/均值填充已经失去了该列的显著性，可以直观地构建和该列相关的其他列作为特征，先进行一次预测补足。

3. 负特征的使用

此前一直只直观分析正样本的数据共性，其实能够挑出负样本比例较大的规则，形成负特征，或许有效。

4. 连续特征的分段

工作年限也许并非和成功线性相关，或许2头较高，或者分段较高，总之将明显的分段引入连续特征，使特征有效性增强。

5. 交叉验证

之前样本量够的情况下，为了节省跑分时间，未做交叉验证，有可能会导致模型只是针对随机一次选出的验证集上的较优结果。

6. 结果的ensemble
7. 提交样本的选择

在比赛后期，针对不同大类的样本，比如简历预测中，技术类岗位预测效果较好，可以突击提交超过预估比例的技术类样本组合，拉高整体F1效果。

总结

三次投入较多的竞赛，从最早的top35%，到第二次top25%，第三次top20%，每次提升虽然不多，但限于个人赛精力、观点碰撞和试错机会有限，但都收获了很多经验。比赛成绩是由较强的理论功底和丰富的应用经验决定的，有目的地提升任意一方面实力，是未来长期的努力方向。