實現(xiàn)數(shù)據(jù)科學(xué)研究結(jié)果可復(fù)制的十條規(guī)則

數(shù)據(jù)科學(xué) 研究結(jié)果規(guī)則

車品覺 | 2017-08-07 13:49

【數(shù)據(jù)猿導(dǎo)讀】所有的數(shù)據(jù)科學(xué)都是研究，僅僅因為研究結(jié)果沒有發(fā)表在學(xué)術(shù)論文中，這不會改變我們試圖從龐雜數(shù)據(jù)中獲取洞見的事實。因此，對于任何從事內(nèi)部分析的數(shù)據(jù)科學(xué)家來說，那篇論文中的十條規(guī)則都應(yīng)該引起重視。

實現(xiàn)數(shù)據(jù)科學(xué)研究結(jié)果可復(fù)制的十條規(guī)則

近年來，有越來越多的跡象表明，科研結(jié)果的可復(fù)現(xiàn)性出現(xiàn)了危機。對心理學(xué)和癌癥生物學(xué)論文的檢查發(fā)現(xiàn)，分別只有40%和10%的結(jié)果是可復(fù)現(xiàn)的。

《自然》雜志在2016年對科研人員的調(diào)查結(jié)果顯示：

52%的科研人員認為存在嚴重的可復(fù)現(xiàn)性危機

70%的科學(xué)家試圖復(fù)現(xiàn)另一位科學(xué)家的試驗，但以失敗告終

2013年，一群科研人員在一篇論文中，講述了可復(fù)現(xiàn)性計算研究的十條規(guī)則。如果遵循這些規(guī)則，應(yīng)該會產(chǎn)生更具可復(fù)現(xiàn)性的結(jié)果。

所有的數(shù)據(jù)科學(xué)都是研究。僅僅因為研究結(jié)果沒有發(fā)表在學(xué)術(shù)論文中，這不會改變我們試圖從龐雜數(shù)據(jù)中獲取洞見的事實。因此，對于任何從事內(nèi)部分析的數(shù)據(jù)科學(xué)家來說，那篇論文中的十條規(guī)則都應(yīng)該引起重視。

規(guī)則1：對于每個結(jié)果，都要記錄它的產(chǎn)生過程

知道研究結(jié)果的產(chǎn)生過程很重要。知道你如何從原始數(shù)據(jù)中得出該結(jié)論，這可以讓你：

為結(jié)果辯護

發(fā)現(xiàn)錯誤時修改結(jié)果

在數(shù)據(jù)更新時復(fù)現(xiàn)結(jié)果

提交結(jié)果以供評審

如果你使用一種編程語言(R、Python、Julia、F#等等)來編寫你的分析腳本，那么過程應(yīng)該是清晰明了的，前提是避免了任何的手動步驟。如果使用“鼠標點擊”工具(比如Excel)，這會使你更難記錄步驟，因為你必須描述一系列手動操作，而手動操作很難記錄和復(fù)現(xiàn)。

規(guī)則2：避免手動數(shù)據(jù)操作步驟

你可能很想在編輯器中打開數(shù)據(jù)文件，手動修改格式錯誤或者刪除異常值。而且，現(xiàn)代的操作系統(tǒng)使你可以輕松地剪切和粘貼應(yīng)用。然而，你應(yīng)該抵擋住這種走捷徑的誘惑。手動數(shù)據(jù)操作是無法顯示蹤跡的操作。

規(guī)則3：存檔你使用的所有外部程序的準確版本

理想情況下，你應(yīng)該創(chuàng)建一個包含所有腳本運行軟件的虛擬機。這使你可以生成分析生態(tài)系統(tǒng)的快照，輕松實現(xiàn)結(jié)果的可復(fù)現(xiàn)性。

不過，這并不總是可行。例如，如果你使用云服務(wù)，或者你分析的數(shù)據(jù)集非常龐大，那么你很難圈定整個環(huán)境進行存檔。另外，商業(yè)工具的使用可能使你難以和其他人分享這樣的一個環(huán)境。

至少，你必須記錄你使用的所有軟件的版本，包括操作系統(tǒng)的版本。軟件的任何細微變化都可能影響到結(jié)果。

規(guī)則4：記錄所有自定義腳本的版本

應(yīng)該使用版本控制系統(tǒng)(比如Git)來記錄腳本的版本。你應(yīng)該標記(快照)多個腳本，并在你產(chǎn)生的任何結(jié)果中索引那個標記。這樣一來，如果你后來決定修改腳本(你肯定會這么做)，你就可以及時找到產(chǎn)生特定結(jié)果的確切腳本。

規(guī)則5：盡量用標準格式記錄所有的中間結(jié)果

如果你遵循了規(guī)則1，應(yīng)該就有可能從原始數(shù)據(jù)中重現(xiàn)任何結(jié)果。不過，雖然這在理論上是可能的，但在實踐中存在種種限制。問題可能包括：

缺乏從頭開始運行結(jié)果的資源(比如使用了大量的集群計算資源)

使用了商業(yè)工具，但沒有某些工具的授權(quán)

使用某些工具的技術(shù)能力不足

在這些情況下，從原始數(shù)據(jù)的派生數(shù)據(jù)集著手不失為明智之舉。這些中間數(shù)據(jù)集(比如CSV格式數(shù)據(jù))提供了更多的分析選擇，并且在出錯的時候，更容易識別有問題的結(jié)果，不必重頭來過。

規(guī)則6：對于帶有隨機性的分析，要記錄潛在的隨機種子

數(shù)據(jù)科學(xué)家常常沒有為他們的分析設(shè)置種子值，因此不可能準確復(fù)現(xiàn)機器學(xué)習(xí)研究。很多機器學(xué)習(xí)算法都包含隨機成分，雖然強勁的結(jié)果可能在統(tǒng)計上是可復(fù)現(xiàn)的，但沒什么能比得上與其他人產(chǎn)生的精確數(shù)據(jù)相一致。

如果你使用腳本和源代碼控制，你可以在腳本中設(shè)置種子值。

規(guī)則7：始終保存原始數(shù)據(jù)

如果你使用腳本/編程語言，圖表常常將自動生成。但如果你使用Excel這樣的工具來繪制圖表，請確保你保存了原始數(shù)據(jù)。這使圖表可以復(fù)現(xiàn)，也能對圖表背后的數(shù)據(jù)進行更細致的檢查。

規(guī)則8：生成層次分析輸出結(jié)果，使越來越細致的層次可以被檢查

數(shù)據(jù)科學(xué)家的工作是以某種形式總結(jié)數(shù)據(jù)，從數(shù)據(jù)中獲取洞見。

不過，總結(jié)也容易導(dǎo)致數(shù)據(jù)誤用，所以應(yīng)該讓相關(guān)方可以把總結(jié)分解成各個數(shù)據(jù)點。對于每個總結(jié)性結(jié)果，要與使用的數(shù)據(jù)聯(lián)系起來，以便對總結(jié)進行推算。

規(guī)則9：把文本陳述和潛在結(jié)果聯(lián)系起來

歸根結(jié)底，數(shù)據(jù)分析的結(jié)果是以文字的形式呈現(xiàn)，而文字是不精確的。有時，結(jié)論和分析之間的聯(lián)系很難確定。由于論文常常是科研中最具影響力的部分，因此把論文和結(jié)果聯(lián)系起來至關(guān)重要，由于規(guī)則1的緣故，與原始數(shù)據(jù)聯(lián)系起來也很重要。

這可以通過在文本中添加腳注的方式來實現(xiàn)。腳注引用的文件或URL應(yīng)該包含引出論文中觀察發(fā)現(xiàn)的特定數(shù)據(jù)。如果你無法建立這種聯(lián)系，說明你可能沒有充分記錄所有步驟。

規(guī)則10：公開腳本、過程和結(jié)果

在商業(yè)環(huán)境中，可能不適合公開所有的數(shù)據(jù)。不過，向組織內(nèi)部的其他人公開數(shù)據(jù)是可以的?；谠频脑创a控制系統(tǒng)，比如Bitbucket和GitHub，允許創(chuàng)建私密存儲，任何獲得授權(quán)的同事都能訪問。

眾人的審視可以改善分析質(zhì)量，所以分享得越多，你的分析質(zhì)量就可能越高。

來源：36大數(shù)據(jù)

收藏分享

聲明：數(shù)據(jù)猿尊重媒體行業(yè)規(guī)范，相關(guān)內(nèi)容都會注明來源與作者；轉(zhuǎn)載我們原創(chuàng)內(nèi)容時，也請務(wù)必注明“來源：數(shù)據(jù)猿”與作者名稱，否則將會受到數(shù)據(jù)猿追責(zé)。