● 每周一言

心中有数，才能气定神闲。

导语

从本周起，小斗开始写统计分析相关的文章。

特征的优劣直接决定了模型是否奏效，而特征提取的关键则是充分理解数据。一名优秀的算法工程师，一定先是一名优秀的统计（跑数）工程师。那么，我们为什么需要统计？

看过三国演义应该知道，诸葛亮排兵布阵时经常这样说：关羽听令！给你三千精兵，从左路包抄曹军；张飞听令，给你五千精兵，从右路包抄曹军……由此可知，诸葛亮打仗，必定已经掌握了己方有多少将领，多少精兵，多少残兵，多少粮草以及战地相关的地势地形等。

做算法也是同样的道理。

拿到数据，切忌先动模型。如果不看数据不分析数据就直接上模型，好比诸葛亮当军师的第一天就随便拨点士兵操练八卦阵。只有看过数据，理解数据，才能提取出行之有效的规则和特征。理解数据好比打地基，只有地基牢固，才能建好大楼。在不了解数据的情况下，直接加特征上模型，很可能适得其反。

拿到数据，先统计各种数量。比如，样本总量，不同类别的数量等。了解了各种数据量级，能给模型的训练时间作参考，还能指导设置一些训练参数，比如epoch和validation step。当不同类别样本数量差别较大时，还能提前采取一些针对样本不均衡的策略。

拿到数据，要看看特征的分布情况。因为特征分布的统计结果，往往与我们直观的理解不完全一致。比如某一个特征在直观理解上和目标label看起来呈现正相关，其实在统计指标上截然相反。

除此此外，在做特征无量纲化的时候，也得先看看分布。比如标准化要求特征分布必须服从正态分布或偏正态分布，连续特征分箱时也需要根据特征分布来确定如何等频等宽。

拿到数据，抽样分析具体样本情况。想真正理解数据，就必须对数据进行充分的细节剖析。比如可以假定自己就是当前分析的样本，设身处地的理解这个样本的行为特征，以及为何如此的原因。只有这样才能真正掌握数据意图，达到知己知彼。

拿到数据，特征工程必不可少。统计分析的目的说到底还是为了做好特征工程，因此在正常情况下，上模型前除了必要的统计分析，不能少了特征工程。

总之，在上算法模型之前先把统计分析做足做全了，才能像诸葛亮带兵打仗一样，做到胸中百策，游刃有余。

以上便是统计分析的开篇讲解，敬请期待下节内容。

感谢各位的耐心阅读，后续文章于每周日奉上，敬请期待。欢迎大家关注小斗公众号 对半独白！