中國IDC圈5月20日報道，貿易規模的數據科學家和偵探雷同:去摸索未知的事物。不外,當他們在這個路程中冒險的時候，他們很容易落入陷阱。所以要大白,這些錯誤是如何造成的,以及如何制止。

“錯誤是發明的進口。”——James Joyce (著名的愛爾蘭小說家)。

這在大大都環境下是正確的,可是對付數據科學家而言,出錯誤可以或許輔佐他們發明新的數據成長趨勢和找到數據的更多模式。說到這兒,有一點很重要:要大白數據科學家有一個很是邊沿的錯誤。數據科學家是顛末大量考查后才被任命的，任命本錢很高。組織是不能遭受和忽視數據科學家欠好的數據實踐和反復錯誤的本錢的。數據科學的錯誤和欠好的數據實踐會揮霍數據科學家的職業生涯。數據科學家追蹤所有嘗試數據是至關重要的,從錯誤中吸取教導,制止在將來數據科學項目中出錯。

福爾摩斯有一句名言是如何界說偵探的,而數據科學家在貿易中的腳色就雷同偵探。

“我是福爾摩斯，我的事情就是發明別人不知道的。”

企業要想保持競爭力,它必需比大數據闡明做的更多。不去評估他們手中的數據質量，他們想要的功效,他們估量從這種數據闡明中得到幾多利潤， 這將很難正確地找出哪些數據科學項目可以或許盈利,哪些不能。當產生數據科學錯誤時——一次是可以接管的——思量到有一個進修曲線,可是假如這些錯誤產生在兩次以上,這會增加企業本錢。

在Python中進修數據科學，成為企業數據科學家。

制止常見的數據科學錯誤：

1、相關干系和因果干系之間的雜亂

對付每個數據科學家來說，相關性和因果干系的錯誤會導致成才干件，最好的例子是《妖怪經濟學》的闡明,關于因果干系的相關性錯誤，導致伊利諾斯州給本州的學生發書，因為按照闡明昭示家里有書的學生在學校能直接考的更高分。進一步闡明昭示,在家里有幾本書的學生在學業上能表示的更好,縱然他們從來沒有讀過這些書。

這改變了之前的假設和洞察：怙恃凡是買書的家庭，能營造愉快的進修情況。

大部門的數據科學家在處理懲罰大數據時假設相關干系直接影響因果干系。利用大數據來領略兩個變量之間的相關性凡是是一個很好的實踐要領,可是,老是利用 “因果”類比大概導致虛假的預測和無效的抉擇。要想實現操作大數據的最好結果,數據科學家必需領略相關干系和來源的區別。關聯往往是指同時調查X和Y的變革，而因果干系意味著X導致Y。在數據科學，這是兩個完全差異的工作,可是許大都據科學家往往忽視了它們的區別?；谙嚓P性的抉擇大概足以采納動作,我們不需要知道原因,但這照舊完全依賴于數據的范例和要辦理的問題。

每位數據科學家都必需分明——“數據科學中相關干系不是因果干系”。假如兩個干系呈現相相互關的環境,也不料味著是一個導致了另一個的發生。

2、沒有選擇符合的可視化東西

大部門的數據科學家專心進修于闡明的技能方面。他們不能通過利用差異的可視化技能領略數據，即那些可以令他們更快得到洞察力的技能。假如數據科學家不能選擇符合的可視化成長模子，監控摸索性數據闡明和暗示功效，那么縱然是最好的呆板進修模子，它的代價也會被稀釋。事實上,許大都據科學家按照他們的審美選擇圖表范例,而不是思量數據集的特征。這個可以通過界說可視化的方針制止。

縱然數據科學家開拓了一個最優秀和最好的呆板進修模子，它也不會大呼說“尤里卡”——所有這些所需要的是功效的有效可視化，可以領略數據模式的差異，和意識到它的存在可以被操作來得到貿易成就。常言道“一張圖片勝過1000個單詞。”——數據科學家不只要熟悉本身常用的數據可視化東西,也要領略數據有效可視化的道理，用令人信服的方法得到功效。

辦理任何數據科學問題的至關重要一步,就是要得到該數據是關于什么的洞察力,通過富厚的可視化表達，可以形成闡明基本和成立相應模子。

3、沒有選擇適當的模子-驗證周期

科學家認為，成立了一個樂成的呆板進修模子，就是得到了最洪流平的樂成?？墒?，這只是樂成了一半，它必需要確保模子的預測發揮浸染。許大都據科學家常常健忘可能傾向性的忽視這樣的事實，就是他們的數據必需在指定的時距離斷舉辦重復驗證。一些數據科學家常常犯的一個普遍性錯誤：假如和調查到的數據吻合，就認為預測模子是抱負的。已成立的模子的預測結果可以因為模子的干系在不絕變革而瞬間消失。為了制止這種環境,數據科學家最好的辦理方法就是每個小時都對含有新數據的數據模子舉辦評分，可能基于模子的干系變革快慢每日逐月評分。