机器学习三大问题：曲解目标、 隐藏变量、不适当地拆分数据

害... 哦吼，我猜你可Neng会问我，我在机器学习中有没有踩过这些坑，对吧？嗯，让我给你慢慢道来。

1. 曲解目标：哦， 这个可麻烦了

你知道，机器学习就像是个大怪兽，它需要我们给它正确的指令，否则它就会乱来。比如我们想要它帮忙检查眼睛上的糖尿病病变，对吧？但是Ru果我们只告诉它去找红色的东西，它可Neng会把坦克也当成病变，这就尴尬了，开倒车。。

原因就是控制学习的损失函数只考虑到了下一步的错误，而不是研究者真正想要的多重步骤的解决方案有效性。 我傻了。 所以说我们得告诉它，红色不等于病变，这个红色的东西还要符合一定的条件，才Neng被标记。

2. 隐藏变量：kan不见的敌人

我倾向于... 我们在糖尿病视网膜病变的机器筛查方面也出现了分歧目标。这是糖尿病的一种并发症，也是世界上可防范性失明的主要原因。Ru果Neng从眼后图像及时检测到该病症，它就Neng被有效治疗。

当我们收集数据并且让眼科医生用来测试的图片包含了其他信息，比如在晨光中或从云层下显现的坦克影响了机器判断是一个重要的原因。

3. 不适当地拆分数据：数据乱糟糟的

隐藏变量也会来源于实验布局。像我们在解读显微镜图像方面与许多机构合作，其中包括纽约市的纽约干细胞基金会研究所。 牛逼。 这些图像包括了在培养皿上进行的生物实验，通常是一些包含细胞和液体的网格孔。

太暖了。 我们的目标是发现拥有某些特征的孔，比如化学处理后细胞外观的变化。但是生物变异意味着每个培养皿本身总是会kan起来有稍许不同，并且单个培养皿也可Neng存有差异。Ru果外围孔有geng多液体蒸发，或者培养皿有被倾斜，那边缘kan起来通常会与中心不一样。

如何避免这些坑？

几十年来机器学习领域一直饱受“坦克问题”的折磨。为了说明这点，这里列举三个Goog 戳到痛处了。 le Accelerate Science团队所面临并且克服的机器学习的三大问题。

先说说我们要明白，机器学习不是万Neng的，它只是个工具，我们要学会使用它。接下来我们要注意数据的处理，不要让数据乱糟糟的，这样才Neng让机器学习geng好地工作。

太顶了。 再说说 我们要有耐心，不要急于求成，主要原因是机器学习是个漫长的过程，需要我们不断调整和优化。

机器学习是个好东西，但我们要学会正确地使用它。不要让它踩进这些坑， 反思一下。 这样才Neng让我们的模型性Neng得到高效的提升。

差不多得了... 哦，对了Ru果你觉得这篇文章对你有帮助，别忘了点赞和分享哦！