Maxkit: 資料科學可以回答的問題

資料科學會使用 Machine Learning 的演算法，這些演算法的使用方式，都是這三個步驟：讀取資料，轉譯，提供答案，但在選擇演算法之前，要先知道這些演算法能回答什麼問題，要問對問題，才能找到答案。

以下這些是可以回答的問題

這是A，還是B？ Is this A or B? (two-class classification)
這是A、B、C 還是 D？ Is this A or B or C or D? (multi-class classification)
有沒有奇怪的地方？ Is this Weird? (anomaly detection)
這有多少／有幾個？ How Much/How Many? (regression)
用迴歸演算法解決多元分類問題 Multi-Class Classification as Regression
用迴歸演算法解決二元分類問題 Two-Class Classification as Regression
資料是由什麼組成的？怎麼分類？ How is this Data Organized? (unsupervised learning, clustering)
接下來該怎麼做？ What Should I Do Now? (reinforcement learning)

這是A，還是B？ Is this A or B? (two-class classification)

二元分類 two-class classification，用來解決只有兩種答案的問題，例如：

這位客戶會不會續約？
這張照片是貓還是狗？
這位顧客會不會點最上面的連結？
如果再開一千英里，這個輪胎會不會爆胎？
五元折價券或是打七五折，哪一個促銷手段能吸引更多顧客？

這是A、B、C 還是 D？ Is this A or B or C or D? (multi-class classification)

多元分類 multi-class classification，用來解決有多種答案的問題，例如：

這是哪種動物的圖片？
這是哪種飛機的雷達訊號？
這篇新聞屬於哪一個主題？
這則 twitter 隱含了哪一種情緒？
這則錄音裡的講者是誰？

有沒有奇怪的地方？ Is this Weird? (anomaly detection)

異常偵測 anomaly detection，用來辨別不正常的資料，當分析的情況發生率很低，導致樣本數也很少的時候，異常偵測就顯得特別有用。感覺上跟二元分類 two-class classification 很像，差別在於二元分類的原始資料中，就包含了兩種答案，但是異常偵測則不一定。

例如：

是不是信用卡盜刷
壓力大小有任何異狀嗎？
這則網路訊息正常嗎？
這些消費記錄跟這位使用者過去的行為落差很大嗎？
這些用電量在這個季節和時間算是正常的嗎？

這有多少／有幾個？ How Much/How Many? (regression)

當解決的問題涉及數字而非分類時，這一類的演算法就稱為迴歸（regression），例如：

下週二的氣溫為何？
第四季在葡萄牙的銷售量會有多少？
三十分鐘後，我的風力發電廠會有多少千瓦（kW）的需求？
我下週會獲得多少新追蹤者？
每一千個使用這種軸承的產品裡，有多少個能被使用超過一萬小時？

用迴歸演算法解決多元分類問題 Multi-Class Classification as Regression

有些看起來很像多元分類的問題，但更適合用迴歸解決。例如

讀者對哪則新聞最感興趣

乍看之下是個分類問題，但如果將問題換成「對讀者來說，每則新聞的有趣程度為何」並為每則新聞評分，接下來就只需要選出最高分的新聞。這類問題通常和排名或對比有關。
我的車隊中，哪台廂型車最需要保養

可以換成「我的車隊裡，每台廂型車需要保養的程度為何」
哪 5% 的顧客隔年會跳槽到對手公司

可以換成「每名顧客明年跳槽到對手公司的機率為何」。

用迴歸演算法解決二元分類問題 Two-Class Classification as Regression

二元分類問題也可以換成迴歸問題，這類問題也通常以「有多少可能性」、「有多少比例」開頭。例如：

這位使用者有多大機率會點我的廣告？
這台拉霸機有多少比例的回合會給獎金？
這名員工有多大機率會造成內部安全的威脅？
今天有多少比例的航班會準時抵達？

二元分類、多元分類、異狀偵測和迴歸等四種演算法之間都很相近，它們都是監督式學習（supervised learning）下的演算法。共通之處，在於建模時都用了一組包含回答的資料（這個過程稱作訓練，training），並被用來分類或預測一組不包含回答的資料（這個過程稱作評分，scoring）。

資料是由什麼組成的？怎麼分類？ How is this Data Organized? (unsupervised learning, clustering)

這是非監督和強化式學習（unsupervised and reinforcement learning）的演算法。

判斷資料分類的方法有很多，其中一類是聚類法（clustering），包括資料群集（chunking）、分組（grouping）、聚束（bunching）、分段（segmentation）等等。聚類法所分析的資料不包含任何用來引導分群、說明分群意義和數量的數字或名字。聚類法的基礎是衡量資料之間的距離或相似度，也就是距離度量（distance metric）。距離度量可以是任何可測量的數據。