找出ML的好问题

着重解决传统编程难以解决的问题。例如，考虑 智能回复。Smart Reply团队认识到用户花费大量时间来回复电子邮件和消息。可以预测可能的响应的产品可以节省用户时间。另一个示例是在Google相册中，其中的业务问题是通过关键字搜索来查找特定照片而无需手动标记。

想象一下，尝试使用常规编程创建诸如智能回复或Google相册搜索之类的系统。没有明确的方法。相比之下，机器学习可以通过检查数据模式并对其进行调整来解决这些问题。将ML视为工具箱中的工具之一，并且仅在适当的时候才将其发布。

考虑到这些示例，请问自己以下问题：

1. 我的产品面临什么问题？
2. 对于ML来说会是个好问题吗？

不要反过来问问题！

在关注数据之前先了解问题

准备挑战您的假设。

如果您清楚地理解了问题，则应该能够列出一些潜在的解决方案进行测试，以生成最佳模型。理解在建立良??好的工作模型之前，您可能必须尝试一些解决方案。

探索性数据分析可以帮助您理解数据，但是直到您将这些模式与以前看不见的数据进行对照之后，您才能声称发现的模式是普遍的。不检查可能会导致您走错方向或加深刻板印象或偏见。

依靠团队的日志

ML需要大量相关数据。

专为您的任务收集的数据将是最有用的。在实践中，您可能无法执行此操作，并且您将依赖可以获取的足够接近的任何数据。只要知道成本，就可以了，因为最终您可以获得产品日志，因此可以使用这些日志来构建更具针对性的任务。

“很多”多少钱？这取决于问题，但是更多的数据通常可以改善模型，从而改善模型的预测能力。一条好的经验法则是至少有数千个基本线性模型的示例，以及数十万个神经网络的示例。如果数据较少，请首先考虑使用非机器学习解决方案。

预测能力

您的功能具有预测能力。

假设您要预测哪些马匹在比赛中表现良好。您决定使用ML解决问题，并使用马眼颜色作为特征。您认为眼睛的颜色可以预测哪些马容易患眼病，而后者又可以预测马的速度和耐力。也许您错了，以后您将根据证据拒绝该假设。也就是说，也许使用眼睛颜色作为特征不会改善您的模型。

您不应尝试让ML进行艰苦的工作，以发现与您相关的功能。如果您只是将所有内容扔给模型并查看有用的模型，则模型可能会变得过于复杂，昂贵且充满了不重要的功能。在较小的数据集中，您更有可能在您的数据样本中偶然将特征与标签相关联。如果您尝试许多没有假设的功能，您就会错误地认为这些是与模型相关的信号。直到尝试对模型进行预测并意识到它不能泛化之前，您都不会明白这一点。

预测与决策

旨在做出决定，而不仅仅是预测。

通过决策，我们意味着您的产品应该对模型的输出采取行动。ML比给您洞察力更好地制定决策。如果您有一堆数据，并且想找出有关它的“有趣”事物，那么统计方法就更有意义了。

确保您的预测允许您采取有用的行动。例如，预测点击某些视频的可能性的模型可以允许系统预取最有可能被点击的视频。

有时，预测和决策紧密结合，但在其他情况下，这种关系不太明显。查看下表以获取一些预测/决策对的示例。