好的算法往往很簡(jiǎn)單。但問題的另一面則是：簡(jiǎn)單算法往往不容易用好。如何來理解這對(duì)矛盾呢？
在我看來：簡(jiǎn)單辦法好用，往往是因?yàn)楹?jiǎn)單方法可靠度高、容易理解、容易與領(lǐng)域知識(shí)結(jié)合。而簡(jiǎn)單方法不容易用好，則是因?yàn)椋汉?jiǎn)單方法的應(yīng)用是有條件的，而條件往往并不滿足。
線性回歸是最簡(jiǎn)單的建模方法。但是，應(yīng)用這個(gè)方法也是有條件的。例如：1、自變量的檢測(cè)誤差可以忽略不計(jì)；2、對(duì)結(jié)果的干擾服從正態(tài)分布、沒有顯著的系統(tǒng)性干擾。但是，現(xiàn)實(shí)中，這樣的條件往往并不滿足?。?
類似地，在分析一個(gè)變量有沒有顯著影響的時(shí)候，經(jīng)常會(huì)用到F檢驗(yàn)。但我卻發(fā)現(xiàn)，在大數(shù)據(jù)時(shí)代，對(duì)任何變量的F檢驗(yàn)幾乎總是有效。換句話說，這種做法其實(shí)是失效的。原因也是一樣的：算法的條件不滿足。
再如，先進(jìn)工業(yè)企業(yè)普遍使用的SPC方法。這個(gè)方法中，有許多判斷異常的判據(jù)。部分判據(jù)的依據(jù)，是發(fā)生這種事件的概率小于0.27%。這意味著，每生產(chǎn)1萬件產(chǎn)品，平均就會(huì)有27件判斷異常。但是，如果生產(chǎn)過程真的很穩(wěn)定、極少發(fā)生異常，這種方法顯然也是會(huì)失效的。
幾年前，清華數(shù)學(xué)系的謝老師請(qǐng)我和賓州大學(xué)林教授一起吃飯。林教授談到他的困惑：在大數(shù)據(jù)時(shí)代，統(tǒng)計(jì)學(xué)知識(shí)難道就沒有用了嗎？我回答說：大數(shù)據(jù)能讓統(tǒng)計(jì)算法用得更好。
我的意思是說：在大數(shù)據(jù)時(shí)代，人們可以有足夠多、足夠好的數(shù)據(jù)，驗(yàn)證(采用簡(jiǎn)單算法的)條件是不是成立。如果不成立的話，還可以通過選擇和改造數(shù)據(jù)，讓它們符合要求。而不是盲目地利用這些數(shù)據(jù)建模。
我國有一種現(xiàn)象：濫用統(tǒng)計(jì)學(xué)方法。我在寶鋼時(shí)，曾有過一次沖動(dòng)：把看到的論文記下來，作為反面案例——看看這些作者是如何濫用統(tǒng)計(jì)方法的。在現(xiàn)實(shí)中，工業(yè)數(shù)據(jù)不符合統(tǒng)計(jì)學(xué)要求是種常態(tài)，符合要求才是偶然的。盲目采用數(shù)據(jù)分析方法時(shí)，濫用就成了一種常態(tài)。
數(shù)據(jù)分析理論中有個(gè)著名的CRISP_DM模型。這個(gè)模型中有一個(gè)步驟叫做數(shù)據(jù)理解。濫用數(shù)據(jù)分析方法的根源，往往就是數(shù)據(jù)理解做得不夠、沒有進(jìn)行適當(dāng)?shù)奶幚?。而?shù)據(jù)理解得不夠，往往又是因?yàn)閷?duì)業(yè)務(wù)的理解不到位。我認(rèn)為：人們有較好的業(yè)務(wù)知識(shí)，才能把數(shù)據(jù)理解到位。
我講數(shù)字化轉(zhuǎn)型課時(shí)，經(jīng)常提到一個(gè)例子：斯特寧先生被國際慈善組織派到越南，解決當(dāng)?shù)貎和癄I(yíng)養(yǎng)不良問題。他通過調(diào)查，發(fā)現(xiàn)了三條有效的做法：營(yíng)養(yǎng)好的孩子一天吃四頓飯；2. 媽媽們會(huì)抓小魚小蝦給孩子吃；3媽媽會(huì)把地瓜葉的汁淋在飯上。我們注意到：斯特寧發(fā)現(xiàn)這三條做法，不僅是靠數(shù)據(jù)分析能力，還靠專業(yè)知識(shí)：孩子胃小、消化快，多吃一次有利于吸收；魚蝦中含有孩子成長(zhǎng)必須的蛋白質(zhì)；葉子汁中含有孩子必須的維生素。所以，把專業(yè)知識(shí)和數(shù)據(jù)分析結(jié)合在一起，才能發(fā)現(xiàn)這些知識(shí)。
所以，用好簡(jiǎn)單算法，關(guān)鍵要把數(shù)據(jù)準(zhǔn)備工作做到位，并具備較好的專業(yè)知識(shí)。但是，要做到這一點(diǎn)是不容易的。
作者：郭朝暉(工學(xué)博士，教授級(jí)高工。企業(yè)研發(fā)一線工作20年)
