在機(jī)器學(xué)習(xí)中，更多的數(shù)據(jù)總是比更好的算法好嗎?對于Quora上的這個問題，Netflix公司工程總監(jiān)Xavier Amatriain認(rèn)為，很多時候增加更多的樣本到訓(xùn)練集并不會提高模型的性能，而如果沒有合理的方法，數(shù)據(jù)就會成為噪音。他通過Netflix的實踐經(jīng)驗推導(dǎo)出最終的結(jié)論：我們需要的是好的方法，來幫助我們理解如何解釋數(shù)據(jù)，模型，以及兩者的局限性，這都是為了得到最好的輸出。

在機(jī)器學(xué)習(xí)中，更多的數(shù)據(jù)總是比更好的算法好嗎?

不是這樣的。有時候更多的數(shù)據(jù)有用，有時它的作用不大。

為數(shù)據(jù)的力量辯護(hù)，也許最著名的是谷歌的研發(fā)總監(jiān)Peter Norvig，他聲稱“我們沒有更好的算法。我們僅僅擁有更多的數(shù)據(jù)”。這句話通常是鏈接到文章《The Unreasonable Effectiveness of Data》，這篇文章也是Norvig自己寫的（雖然它的來源被放在IEEE收費(fèi)專區(qū)，不過你應(yīng)該能夠在網(wǎng)上找到pdf格式的原文檔）。更好的模型蓋棺定論是Norvig的語錄“所有模型都是錯的，無論如何你都不會需要他們的”被錯誤地引用之時（點擊這里查看作者澄清他是如何被錯誤引用的）。

Norvig等人的作用是指在他們的文章中，他們的觀點早在幾年前被微軟研究人員Banko和Brill在一篇著名的論文[2001]《Scaling to Very Very Large Corpora for Natural Language Disambiguation》中引用。在這篇論文中，作者給出了下圖。

該圖表明，對于給定的問題，迥然不同的算法執(zhí)行結(jié)果幾乎是一樣的。然而，添加更多的樣本（單詞）到訓(xùn)練集里面，可以單調(diào)增加模型的精度。

因此，在封閉的情況下，你可能會認(rèn)為算法更重要。嗯…沒有這么快。事實是，Norvig的斷言以及Banko和Brill的論文都是正確的…在一個環(huán)境中。但是，他們現(xiàn)在再次被錯誤地引用到一些環(huán)境中，而這些環(huán)境與最初的環(huán)境是完全不同的。但是，為了搞明白為什么，我們需要了解一些技術(shù)。（我不打算在這篇文章中給出一個完整的機(jī)器學(xué)習(xí)教程。如果你不明白我下面將要做出的解釋，請閱讀我對《How do I learn machine learning?》的回答？

方差還是偏差?

基本的想法是，一個模型的可能表現(xiàn)不好存在兩種可能的（而且是幾乎相反的）原因。

在第一種情況下，對于我們擁有的數(shù)據(jù)量來說，我們所用的模型太復(fù)雜了。這是一種以高方差著稱的情形，其可以導(dǎo)致模型過擬合。我們知道，當(dāng)訓(xùn)練誤差遠(yuǎn)低于測試誤差時，我們正面臨著一個高方差問題。高方差問題可以通過減少特征數(shù)量加以解決，是的，還有一種方法是通過增加數(shù)據(jù)點的數(shù)量。所以，什么樣的模型是Banko &Brill的觀點和Norvig的斷言可以處理的？是的，回答正確：高方差。在這兩種情況下，作者致力于語言模型，其中詞匯表中的大約每一個詞都具有特征。與訓(xùn)練樣本相比，這有一些模型，它們具有許多特征。因此他們很有可能過擬合。是的，在這種情況下，添加更多的樣本將帶來很多幫助。

但是，在相反的情況下，我們可能有一個模型，它太簡單了以至于無法解釋我們擁有的數(shù)據(jù)。在這種情況下，以高偏差著稱，添加更多的數(shù)據(jù)不會帶來幫助。參見下面一個真實的在Netflix運(yùn)行的系統(tǒng)的一個制表以及它的性能，同時我們添加更多的訓(xùn)練樣本到里面去。

所以，更多的數(shù)據(jù)并不總是有幫助的。正如我們剛剛看到的，在許多情況下，增加更多的樣本到我們的訓(xùn)練集并不會提高模型的性能。

多特征救援

如果你一直跟著我的節(jié)奏，到目前為止，你已經(jīng)完成了理解高方差和高偏差問題的功課。你可能會認(rèn)為我故意留下了一些東西要討論。是的，高偏差模型將不會受益于更多的訓(xùn)練樣本，但是他們很可能受益于更多的特征。所以，到底這是不是都是關(guān)于增加“更多”數(shù)據(jù)的？好吧，再強(qiáng)調(diào)一次，這得視情況而定。

例如，在Netflix Prize的早期，有一個以評論額外特征的使用來解決問題的博客文章，它是由企業(yè)家和斯坦福大學(xué)教授Anand Rajaraman建立的。這個帖子解釋了一個學(xué)生團(tuán)隊如何通過從IMDB添加內(nèi)容特征來改善預(yù)測精度特性。

現(xiàn)在回想起來，很容易在批評后作出針對一個單一數(shù)據(jù)點的粗俗的過度泛化。更有甚者，后續(xù)文章提及SVD是一個“復(fù)雜”的算法，不值得一試，因為它限制了擴(kuò)大更多的特征的能力。顯然，Anand的學(xué)生沒有贏得Netflix Prize，而且他們現(xiàn)在可能意識到SVD在獲獎作品中發(fā)揮著重要的作用。

事實上，許多團(tuán)隊后來顯示，添加來自IMDB的內(nèi)容特征等等到一個優(yōu)化算法上幾乎沒有改善。Gravity team的一些成員，他們是Netflix Prize的最優(yōu)秀的競爭者之一，發(fā)表了一篇詳細(xì)的論文，展示了將這些基于內(nèi)容的特征添加到高度優(yōu)化的協(xié)同過濾矩陣分解的方法沒有任何改善。這篇論文題為“Recommending New Movies: Even a Few Ratings Are More Valuable Than Metadata”。

為了公平起見，論文的標(biāo)題也是一個過度泛化?；趦?nèi)容的特征（或一般的不同特征）在許多情況下可以提高精確度。但是，你明白我的意思：更多的數(shù)據(jù)并不總是有幫助的。

更好的數(shù)據(jù)!=更多的數(shù)據(jù)

在我看來，重要的是要指出，更好的數(shù)據(jù)始終更好。對此沒有反對意見。所以任何你能夠直接針對你的數(shù)據(jù)進(jìn)行“改善”的努力始終是一項很好的投資。問題是，更好的數(shù)據(jù)并不意味著更多的數(shù)據(jù)。事實上，有時這可能意味著少！

想想數(shù)據(jù)清理或異常值去除，就當(dāng)是我的觀點一個微不足道的說明。但是，還有許多其他的更微妙的例子。例如，我已經(jīng)看到人們投入大量的精力到Matrix Factorization，而真相是，他們可能通過采樣數(shù)據(jù)以及得到非常相似的結(jié)果獲得認(rèn)可。事實上，做某種形式的智能人口抽樣的正確的方式（例如使用分層抽樣）可以讓你得到比使用整個未過濾得的數(shù)據(jù)集更好的結(jié)果。

科學(xué)方法的終結(jié)?

當(dāng)然，每當(dāng)有一個關(guān)于可能的范式的變化激烈的爭論，就會有像Malcolm Gladwell 和 Chris Anderson這樣的人以此謀生甚至未曾認(rèn)真思考（不要誤會我的意思，我是他們倆的粉絲，我讀過他們的很多書）。在這種情況下，Anderson挑選了Norvig的一些評論,并錯誤地在一篇文章中引用，該文章的標(biāo)題為：“The End of Theory: The Data Deluge Makes the Scientific Method Obsolete”。

這篇文章闡述了幾個例子，它們講的是豐富的數(shù)據(jù)如何幫助人們和企業(yè)決策甚至無需理解數(shù)據(jù)本身的含義。正如Norvig在他的辯駁中自己指出的問題，Anderson有幾個觀點是正確的，但是很難實現(xiàn)。而且結(jié)果是一組虛假陳述，從標(biāo)題開始：海量數(shù)據(jù)并未淘汰科學(xué)方法。我認(rèn)為這恰恰相反。

數(shù)據(jù)沒有合理的方法=噪音

所以，我是在試圖制造大數(shù)據(jù)革命只是炒作的言論嗎？不可能。有更多的數(shù)據(jù)，無論是更多的例子樣本或更多的特征，都是一種幸事。數(shù)據(jù)的可用性使得更多更好的見解和應(yīng)用程序成為可能。更多的數(shù)據(jù)的確帶來了更好的方法。更重要的是，它需要更好的方法。

綜上所述，我們應(yīng)該不理會過分簡單的意見，它們所宣揚(yáng)的是理論或者模型的無用性，或者數(shù)據(jù)在其他方面的成功的可能性。盡可能多的數(shù)據(jù)是必要的，所以就需要好的模型和理論來解釋它們。但是，總的來說，我們需要的是好的方法，來幫助我們理解如何解釋數(shù)據(jù)，模型，以及兩者的局限性，這都是為了得到最好的輸出。

換句話說，數(shù)據(jù)固然重要，但若沒有一個合理的的方法，數(shù)據(jù)將會成為噪音。