现一个key-value的数据库，那么有很多种模式都可以实现，但是他们最终所达到的效果却是千差万别的。同样，在机器学习领域，如果我想实现一个分类器，也有很多种算法，但是每种算法都对数据做了不同的前提假设。

曾经当我们处理少量数据的时候，我们往往可以先设计若干种算法，然后每种都测试一下，选择一种最优的方法，但是当面对大数据时，我们就需要转变一下思路，首先对数据进行分析，然后选择一种模型对数据进行处理。

在过去，我们经常会发现，很多人都沉迷于某一种模型，无论遇到任何问题他们都会选择同样的模型来解决问题，而原因仅仅是他们擅长这个模型，而不是数据适合这个模型。在这篇文章中，主要会来陈述下在机器学习时常见的几种错误。

1. 使用模型默认的损失函数

损失函数是一个机器学习算法的核心，损失函数决定了最终优化后得到的参数以及模型本身。在不同的业务场景下，优化的目标应该是不同的。例如我在珍爱网做付费用户预测时，由于付费用户本身数量级就不大，所以我宁可误判十个，也不能错过一个。所以这个时候我们就需要去修改分类器模型的损失函数。

2. 无根据地选择线性模型

这个同样是我很常遇到的同事会犯的错误。遇到一个分类问题，二话不说就上逻辑回归，其实原因很简单，就是因为逻辑回归效率高，实现容易。但是大家往往都忽略了一点，逻辑回归本身就是一个线性模型，但是真实数据是否线性可分却是我们未知的情况。其实我个人认为，由于高维数据下判断数据是否线性可分几乎是一个不现实的任务，所以我个人的经验往往是先使用逻辑回归做一次分类，但是同时也会采用决策树，或者SVM等非线性模型来对该数据进行重新的分类比对。（我不知道是否有更好的方法）

话说在大数据情况下，很多人都来和我讲现在都提倡海量数据+线性模型，但是我个人认为这句话是有误的，线性模型的成立并非建立在海量数据的基础上，而是建立在海量特征的基础上，说的更恰当些，应该是建立在更好的特征工程的基础之上。

3. 忽视异常值的意义

异常值是个很有趣的事情，让你又爱又恨。我记得之前在统计之都上看过一篇文章对我启发很大，说曾经我们都愿意把异常值直接给丢掉，但是我们却忘记了异常值并非错误值，而同样是真实情况的表现，我们之所以认为异常，只是因为我们的数据量不足够大而已。文中还举了一个例子，说我们用计算机来模拟高斯分布，也一样会模拟出一些数据点落在N个标准差之外，而我们并不能说这是异常点，因为如果我们把这些点删除掉，这就不是一个高斯分布了。所以异常值很多情况下非但不能丢掉，还需要引起我们的足够重视和分析，例如网站的收入突然增长。
但是我们又要注意这个异常值是否是错误值，如果是错误值，这个时候我们就应该想办法把这些错误值去掉，因为这些错误往往会影响我们实际的模型效果。如果当训练数据中包含一些异常值的时候，我们就需要考虑模型的敏感性了，例如AdaBoost, Kmeans这种就属于对异常值很敏感的机器学习模型。

4. 不考虑n和p的关系

n: 训练数据的数量。p: 特征的数量。SVM核函数的一个关键概念就是维度提升，如果当n << p的时候，还依然采用SVM来选定模型，那么就必然会导致p进一步增加，于是导致特征的参数中*变量增加，必然会对分类的效果产生很大的影响。

5. L1 / L2 正则化之前并没有对特征进行标准化

这个道理很简单，如果你的每个特征是处在不同的区间时，你是没办法去做L1/L2的正则化的，举个例子，x1 代表年龄，x2 代表收入，如果我采用一个广义的线性模型，比如 Y = f(ax1 + bx2)，然后x1大小范围是10-50，x2大小范围是5000 – 100000，a和b根本就没办法在一个量级上，这时正则化一定是有问题的。

6. 变量之间的共线性问题

当特征变量之间产生共线性时，产生最大的问题就是让线性模型的参数是无法解释的，正常来说线性模型的参数权重基本就代表了该特征变量的重要性，但是如果共线性，那么这个意义就失效了。但是我也并不知道这个有什么特别好的解决方法，因为当特征增加时，特征之间的共线性（或者说相关性吧，这样更泛一些）几乎是不可避免的。

本文转自ZH奶酪博客园博客，原文链接：http://www.cnblogs.com/CheeseZH/p/4096546.html，如需转载请自行联系原作者