數據科學家利用統計闡明東西深度挖掘數據潛在的內容時常常會遭碰著大數據挖的坑，實際上這些坑并不是只有大數據才有，大自然自己就存在許多虛假的相關性，大數據只是越發劇了這種虛假的相關性。

跟著數據來歷的增多和預測范例的多樣化，數據建模干系的數量開始靠近無窮大。正如David G. Young指出的那樣，在預測闡明的時候，我們要看到彼此浸染，變革的曲率、意義，有時甚至要看到變革的符號。

在做數據建模的相關性闡明時，最要害的是找對數據范疇，尤其是配置符合的變量和算法。一旦你找到了變量和算法的正確組合，那么你就把握了正確打開相關性闡明的密鑰。

有時候，我們會發明數據建模的相關性大概和實際環境并不相符，它只是你自覺得正確的數據模子。縱然你自己并沒有欺騙的意圖，也是憑據科學的要領來建模的，可是你的數據模子并不必然能輔佐你得到數據背后的真正洞察力。

認知毛病是每一小我私家城市犯的錯誤，縱然你是一個很是優秀的數據科學家也不能百分百確保不犯數學和邏輯上的錯誤、正確的挖掘出數據背后的代價。

諾貝爾經濟學獎得到者丹尼爾·卡納曼在他的著作《思維說，快與慢》中暗示：人類假如沒有接管教誨，那么每小我私家都是生而差異的。我們大概無法看破數據統計的深條理內容，可是現實世界確實存在著某種紀律，這種紀律有時難以捉摸，但有時我們只憑直覺就可以找到。

假如你是一個正在摸索數據驅動的數據科學家，那么你就要留意虛假相關性，它將會是一個很是危險的陷阱。這種虛假相關性發生的原因大概是數據科學家太想要驗證某個假設，也大概是迫于企業的貿易模式的要求。操作這種虛假相關性成立的數據模子也許可以或許辦理一時的問題，可是它本質照舊一個劣質的模子，經不起時間的檢驗，說不定會在哪個瞬間給你致命的一擊。

那么數據科學家如何才氣淘汰在數據挖掘時無意中做出虛假統計相關性的概率。

集成進修

集成進修是利用一系列進修器舉辦進修，并利用某種法則把各個進修功效舉辦整合從而得到比單個進修器更好的進修結果的一種呆板進修要領。這種要領的難點在于要在差異的樣本中舉辦練習，回收差異的算法，可是這種要領可以或許有效的展現一些相關性。集成進修的算法是通過獨立模子的功效集的練習、取平均、bagging、boosting等多種要領獲得的，可以或許有效淘汰各層模子之間的差別。

A/B測試

A/B測試其實是一種“先驗”的嘗試體系，屬于預測型結論，與“后驗”的歸納性結論不同龐大。A/B測試顧名思義就是為同一個方針設計A、B兩套方案，個中一個為守擂者，一個為進攻者，通過科學的嘗試設計、真實的數據監測來選出最具預測代價的方案。

穩健模子

這種要領涉及到數據建模的方方面面，為了確保預測是不變的，我們要多方思量，好比數據源、采樣技能、算法要領、時間等等。另外，，離散點闡明也長短常重要的，Vincent Granville前幾年就已經暗示數據集的異常有大概掩蓋數據的真正模式，增加虛假相關性的產生率。

“數據驅動決定”已經成為這個時代的潮水，好的決接應該是數據驅動的，所以數據模子的成立就顯得尤為重要。假如你是一個數據科學家，但愿以上的要領可以或許對你建模有所輔佐。