机器学习模型在生产中表现不佳？问题可能出在这9个地方

本文最初发表于 Towards Data Science 博客，经原作者 Satyam Kumar 授权，InfoQ 中文站翻译并分享。

数据集的质量和数量对机器学习模型有着很大的影响。如果一种机器学习模型能够在无需维护的情况下正常运行，那么它就是一种最常见的错误假设。

Netflix 推荐系统竞争就是模型部署失败的一个例子。获奖的模型赢得了 100 万美元的奖金，但从未投入生产。

在本文中，我列出了导致机器学习模型在生产中可能表现不佳的九种可能原因，以及数据科学家在训练模型时应该牢记的一些要点。

1. 对离群值处理不当

离群值是指数据集中存在的极端观测值，它会对模型的性能产生影响。离群值处理不当，会影响模型的估计。可以使用不同的技术来处理离群值：

• 离群值的存在对一些机器学习模型的影响较小，而对某些机器学习模型的影响则较大。因此，模型的选择应该是有效的。对极易产生异常值的模型，如线性回归，应在模型训练前对其进行处理。
• 多变量离群值的存在会影响模型在生产中的性能。多变量离群值常常被数据科学家所忽略，并根据每个特征对其进行处理。阅读这篇文章《单变量离群值与多变量离群值》（Univariate and Multivariate Outliers），可以了解更多关于多变量离群值的知识。
• 阅读这篇文章《检测和消除离群值的方法》（Ways to Detect and Remove the Outliers），了解更多关于如何检测和消除离群值的信息。

2. 类不平衡问题

目标类标签的类不平衡会影响模型的性能。类不平衡数据集的一些例子有欺诈检测、癌症检测等。针对类不平衡数据集训练机器学习模型的技术有很多种：

• 选择正确的度量：对于不平衡的数据集，机器学习模型必须根据 AUC-ROC 得分、F1、精度或召回率等指标来评估。
• 过采样和欠采样：对少数类样本进行过采样，以增加少数类对训练模型的影响，或者对多数类样本应进行欠采样，以减少多数类对训练模型的影响。
• 阅读这篇文章《处理类不平衡数据的七种过采样技术》（7 Over Sampling techniques to handle Imbalanced Data），了解更多关于处理类不平衡的技巧。

3. 不正确的性能指标

为了评估模型的性能，以及模型在生产环境中的高效性能，必须选择正确的评价指标。没有一个放之四海而皆准的指标。指标的选择应该符合业务方面的投资回报率指标。对模型进行特定指标的训练，应同时满足性能阈值和业务标准。

4. 缺乏监控

生产中的模型需要定期进行监控。之前表现良好的模型，数据可能会随着时间的变化而变化，随着时间的推移，性能会下降。响应变量或独立变量可能会随着时间的变化而变化，可能会影响到预测变量。无论是与其变量相关的模型，还是重新估计参数，小规模开发，还是模型的全新开发，都必须定期监控和更新。

5. 偏差方差权衡

偏差方差问题是一种试图使两种误差源同时达到最小化的冲突，这两个误差源使得监督机器学习算法不能在训练集之外进行泛化。

高偏差和低方差的模型对目标函数有更多的形式假设，而高方差和低偏差的模型对训练数据集进行过度学习。

低偏差和高方差机器算法的例子：决策树、k- 最近邻和支持向量机。高偏差和低方差机器学习算法的例子：线性回归、线性判别分析和逻辑回归。

偏差方差权衡

为了得到最佳拟合模型，应该对模型的参数进行调整，使其在生产中表现最佳。

6. 不具代表性的采样

在很多情况下，我们最终会在一个与实际人群有很大差异的人群上训练模型。例如，对于在一个运动目标人群上进行模型训练，但之前没有之前的运动记录，这样的话，采样不具有代表性。

7. 不稳定的模型

有些模型往往很不稳定，并且随着时间的推移，性能会下降。这样，企业就需要对模型进行频繁的修改，对模型进行监控。当模型创建的提前期越来越长时，企业可能会开始回归基于直觉的策略。

8. 依赖于高度动态变量的模型

动态变量是指那些随着时间变化而变化的变量。如果模型对此动态变量有较强的依赖性，则可以对其进行有效的预测，从而提高模型的性能。在动态变量发生变化的情况下，模型的性能将受到很大影响。举例来说，如果模型最依赖的特征是，每月零售商的销售额，而当月仅有 10~15 天的营业时间，则可能会影响模型的性能。

9. 训练过于复杂的模型

模型的预测能力是机器学习解决问题的灵魂。但是，预测能力是以模型的复杂性为代价的。与简单的模型相比，更复杂的集合模型具有更好的性能，但模型的可解释性会较差。这样的模型可能在性能上很惊人，但一旦部署到生产环境中，性能就会开始下降。

总结

“垃圾进，垃圾出。”（Garbage In, Garbage Out）同样适用于机器学习。一个机器学习系统在生产过程中如果没有维护就不能正常工作，它也需要经常进行监控。此外，在将模型部署到生产环境之前，数据科学家应该牢记上述要点。

其他常见问题包括：

• 过度简化
• 实施问题
• 缺乏业务知识
• 数据不足或不正确

作者介绍：

Satyam Kumar，软件工程师、数据科学爱好者、程序员。

原文链接：

https://towardsdatascience.com/9-reasons-why-machine-learning-models-not-perform-well-in-production-4497d3e3e7a5