王雄

從數(shù)據(jù)稀缺到現(xiàn)在有大量的數(shù)據(jù)，近年來，可用的數(shù)據(jù)量呈指數(shù)級(jí)增長(zhǎng)，大數(shù)據(jù)變得無處不在。這是由于數(shù)據(jù)記錄設(shè)備數(shù)量的巨大增長(zhǎng)，以及這些設(shè)備之間通過物聯(lián)網(wǎng)連接。似乎每個(gè)人都有收集、分析大數(shù)據(jù)的力量。

盡管AI目前非常擅長(zhǎng)在大型數(shù)據(jù)中查找模式和關(guān)系，但它仍然不是很智能。計(jì)算數(shù)字可以有效地識(shí)別并發(fā)現(xiàn)數(shù)據(jù)中的細(xì)微模式，但不能直接告訴我們這些關(guān)系中哪些實(shí)際上有意義。

相關(guān)性和因果關(guān)系

相關(guān)性并不意味著因果關(guān)系?！叭欢?，人類的大腦天生就會(huì)尋找規(guī)律，當(dāng)我們看到曲線傾斜在一起，數(shù)據(jù)中出現(xiàn)明顯的規(guī)律時(shí)，我們的大腦就會(huì)自動(dòng)給出規(guī)律?！?/p>

然而，從統(tǒng)計(jì)數(shù)據(jù)來看，我們?nèi)匀粺o法實(shí)現(xiàn)這一飛躍?！短摷傧嚓P(guān)性》一書的作者Tyler Vigen在自己的網(wǎng)站上對(duì)此進(jìn)行了調(diào)侃，還有很多例子，比如，展示冰淇淋是如何明顯地導(dǎo)致許多壞事的，從森林大火到鯊魚襲擊和脊髓灰質(zhì)炎爆發(fā)。

看看這些情節(jié)，人們可能會(huì)爭(zhēng)辯說，我們很可能早就應(yīng)該禁止冰淇淋了。而且，實(shí)際上，在1940年代的小兒麻痹癥例子中，公共衛(wèi)生專家建議人們停止吃冰淇淋作為“反政治飲食”的一部分。幸運(yùn)的是，他們最終意識(shí)到小兒麻痹癥暴發(fā)與冰淇淋消費(fèi)之間的相關(guān)性是“完全是由于小兒麻痹癥的爆發(fā)在夏季最為普遍”。

在統(tǒng)計(jì)中，虛假關(guān)系或虛假相關(guān)性是一種數(shù)學(xué)關(guān)系，其中2個(gè)或多個(gè)事件或變量相關(guān)聯(lián)，但由于某種偶然的或某些第3個(gè)未見因素的存在而因果相關(guān)（稱為“常見響應(yīng)”變量”“混雜因素”或“潛伏變量”）。這樣的“潛伏變量”的例子可以是冰淇淋銷量與鯊魚襲擊之間的相關(guān)性（雖然冰淇淋銷量的增長(zhǎng)不會(huì)導(dǎo)致鯊魚襲擊人們）。但是，這2個(gè)數(shù)字之間有一個(gè)共同的環(huán)節(jié)，即溫度。較高的溫度導(dǎo)致更多的人購(gòu)買冰淇淋以及更多的人去游泳。因此，這個(gè)“潛變量”確實(shí)是表觀相關(guān)性的原因。幸運(yùn)的是，我們已經(jīng)學(xué)會(huì)將一種因果關(guān)系與另一種因果關(guān)系分開。而且，在炎熱的夏日，我們?nèi)匀豢梢韵硎鼙苛?，而不必?fù)?dān)心小兒麻痹癥爆發(fā)和鯊魚襲擊。

相關(guān)性的力量和局限性

有了足夠的數(shù)據(jù)，將會(huì)發(fā)現(xiàn)計(jì)算能力和統(tǒng)計(jì)算法的模式。但并不是所有的模式都有意義，因?yàn)樘摷倌Ｊ降臄?shù)量很容易超過有意義的模式。將大數(shù)據(jù)與算法結(jié)合起來，如果能正確地用于解決問題，將是一個(gè)非常有用的工具。然而，沒有科學(xué)家會(huì)認(rèn)為你可以通過單獨(dú)處理數(shù)據(jù)來解決這個(gè)問題，無論統(tǒng)計(jì)分析是多么強(qiáng)大，應(yīng)該始終基于對(duì)要解決的問題的基本理解來進(jìn)行分析。

數(shù)據(jù)科學(xué)是科學(xué)的終結(jié)嗎

2008年6月，《連線》雜志前主編C. Anderson寫了一篇頗具煽動(dòng)性的文章，題為《理論的終結(jié)：數(shù)據(jù)洪流使科學(xué)方法過時(shí)》。“相關(guān)性取代因果關(guān)系，即使沒有連貫的模型和統(tǒng)一的理論，科學(xué)也能進(jìn)步。”

這種方法的強(qiáng)度和通用性依賴于數(shù)據(jù)量，也就是說數(shù)據(jù)越多，基于計(jì)算發(fā)現(xiàn)的相關(guān)性的方法就越強(qiáng)大和有效。我們可以簡(jiǎn)單地把數(shù)字輸入計(jì)算機(jī)，讓統(tǒng)計(jì)算法自動(dòng)發(fā)現(xiàn)有趣的模式和見解。

但是，這種簡(jiǎn)化的分析方法也存在一些陷阱，可以通過John Poppelaars在博客上找到的示例很好地說明：

假設(shè)我們要為某些變量創(chuàng)建一個(gè)預(yù)測(cè)模型。例如公司的股價(jià)、在線廣告的點(diǎn)擊率或下周的天氣。接下來，我們收集所有可以使用的數(shù)據(jù)，并將其放入統(tǒng)計(jì)過程中，以找到的最佳預(yù)測(cè)模型。常見的過程是首先使用所有變量對(duì)模型進(jìn)行估計(jì)，篩選出不重要的變量，然后使用所選的變量子集重新估算模型，然后重復(fù)此過程，直到找到重要的模型為止。

但是，Anderson提出的分析方法存在一些嚴(yán)重的缺陷。我選擇了一個(gè)實(shí)例，從0到1的均勻分布中抽取100個(gè)樣本，為

創(chuàng)建了一組數(shù)據(jù)點(diǎn)，所以它是隨機(jī)噪聲。接下來，通過從0～1之間的均勻分布中抽取100個(gè)樣本，創(chuàng)建了一組50個(gè)解釋變量（）。因此，所有50個(gè)解釋變量也是隨機(jī)噪聲。使用所有的（）變量來預(yù)測(cè)，估計(jì)一個(gè)線性回歸模型。因?yàn)闆]有任何相關(guān)的東西（所有的均布和自變量），所以期望2（0），但實(shí)際上不是，結(jié)果是0.5，對(duì)于隨機(jī)噪聲的回歸來說還不錯(cuò)。幸運(yùn)的是，這個(gè)模型并不重要。逐步剔除不顯著的變量，重新估計(jì)模型。重復(fù)這個(gè)過程，直到找到一個(gè)重要的模型。經(jīng)過幾個(gè)步驟后，發(fā)現(xiàn)一個(gè)顯著性模型，調(diào)整后的平方為0.4，7個(gè)變量的顯著性水平至少為99 %。再次，我們是在回歸隨機(jī)噪聲，它絕對(duì)沒有關(guān)系，但我們?nèi)匀徽业接?個(gè)重要參數(shù)的顯著模型。如果我們只是將數(shù)據(jù)輸入統(tǒng)計(jì)算法來尋找模式，就會(huì)出現(xiàn)這種情況。

數(shù)據(jù)集越大，噪聲越強(qiáng)

最近的研究證明，隨著數(shù)據(jù)集的增長(zhǎng)，它們必定包含任意相關(guān)性。這些相關(guān)性根據(jù)數(shù)據(jù)的大小而出現(xiàn)，這表明，許多相關(guān)性都是虛假的。不幸的是，很多信息往往表面看顯得很少。

這是處理多維數(shù)據(jù)的應(yīng)用程序中的主要問題。舉例來說，假設(shè)您從一家工廠的數(shù)千個(gè)傳感器中收集傳感器數(shù)據(jù)，然后挖掘這些數(shù)據(jù)以獲取模式優(yōu)化性能。在這種情況下，很容易被數(shù)據(jù)的表象所迷惑，而不是真正的運(yùn)營(yíng)績(jī)效指標(biāo)。無論從財(cái)務(wù)上還是在工廠的安全運(yùn)行方面，這都可能是一個(gè)壞消息。

添加數(shù)據(jù)和添加信息

作為數(shù)據(jù)科學(xué)家，我們可能經(jīng)常會(huì)說，改善人工智能模型的優(yōu)秀解決方案是“添加更多數(shù)據(jù)”。然而，僅“添加更多數(shù)據(jù)”就能提高模型性能嗎？不是這樣的。應(yīng)該關(guān)注的是“添加更多的信息”?！疤砑訑?shù)據(jù)”和“添加信息”之間的區(qū)別是至關(guān)重要的，添加更多的數(shù)據(jù)并不等于添加更多的信息。相反，盲目地添加越來越多的數(shù)據(jù)，有可能添加包含錯(cuò)誤信息的數(shù)據(jù)，這些錯(cuò)誤信息會(huì)相應(yīng)地降低模型的性能。根據(jù)數(shù)據(jù)的大量訪問以及處理數(shù)據(jù)的計(jì)算能力，考慮這一點(diǎn)變得越來越重要。

那么，上述挑戰(zhàn)是否應(yīng)該阻止您采用以數(shù)據(jù)為依據(jù)的決策？不，數(shù)據(jù)驅(qū)動(dòng)的決策將繼續(xù)存在。隨著獲得更多有關(guān)如何很好利用數(shù)據(jù)和信息以提高績(jī)效的知識(shí)，這些將變得越來越有價(jià)值。

但是要意識(shí)到，想使方案成功，不僅需要硬件和大量數(shù)據(jù)，大數(shù)據(jù)和計(jì)算能力也是重要的組成部分，而且，應(yīng)該了解連接數(shù)據(jù)的基本機(jī)制。數(shù)據(jù)不能說明一切，是人類給數(shù)字賦予了含義，數(shù)據(jù)的數(shù)量、種類是無法更改的。