数据建模的体会 2012-07-20
- 严格的理论基础可遇不可求，在实际操作和真实数据中最容易获得灵感思路甚至解决方案。
- 第一次提出的解决方案能够解决哪怕20%的问题都是很好的（该数字被我从50%改成了20%，未来可能会改成10%）。
- 理解数据和清洗数据的过程都很必要：不理解就会跳坑，不清洗就是垃圾进垃圾出。
- 数字无大小，再少数的异常情况都可能意味着提取数据或建模过程中有错误，不弄清楚不能放过。
- 预测性质的建模，千万不要误用含有未来信息的数据，否则就是传说中的骑驴去找驴。
- 模型可以不够精美，但是绝对不能有错误，有错误的模型无法自我进化学习。
- 越简单的模型越好，是因为平均每个参数p可以使用到的样本n最多，也就是所谓的奥卡姆剃刀原则。
- 能解决p>n问题的办法们的确很流行，但是解决p<n问题的办法们并不过时，并且可能更普适。
- 在企业尤其注意模型要有落地点，不然再完美的项目规划和研究思路都不能持久。
- 没有最好的模型。
- （不断补充中...）