对于数据分析师的初学者来说，在接触项目，参加数据科学项目时，常常会遇到一些问题，触犯一些常规问题，为了更好的帮助数据分析师初学者更好的做好数据科学项目，DataHunter为大家整理出了避免十二种常见的错误，一起来了解一下吧!
一、没有检查你的数据
你需要检查自己即将收集/使用的数据的量与质。“你的工程中大部分的时间，通常是80%的时间，将用于获取和清洗数据，”data.world的数据科学家和知识工程师Jonathan Ortiz如是说。“你需要检查是否记录好了需要用于分析的数据”
TechTarget首席营销官John Steinert表示，即使你收集的数据正确无误，但是如果数据量过低或独立变量过多，那么也很难用来为B2B市场营销和销售等业务领域创建预测模型。数据量越大、数据科学工具的效果就越好，预测模型就越强大。因为交易利率很低，所以独立的变量会对交易造成较大影响。
二、 没有理解你的数据
你可能对你的数据集将显示的结果有预先判断，但是数据团队应该在使用数据训练数据模型之前花些时间仔细研究数据。Ortiz说:“如果你看到一些违反直觉的东西，说明你的假设可能是错误的，或者数据是错误的。
我认为最重要的事情就是研究数据，绘制图表并进行探索性分析。很多人都匆匆略过这一步，甚至完全忽略。但是实际上你需要了解数据是什么样子的。如果事先进行一些探索，你就可以更快地确定这些数据是否能根据专业知识和商业敏锐性告诉你合理有用的结果。
三、期望过高
Chintan Shah说，对人工智能的炒作让太多的人相信只要我们向计算机算法扔数据，它就会自己解决所有问题。尽管公司拥有大量的数据，但要将数据转换成可用的格式，还需要有专门的人力。
只关注公司以前做了什么只能使做以前的事的效率提高而不能发现新的事物。“你越是只把过去作为预测未来的依据，你就越不愿意去寻找新的途径，”Steinert说。“即使你用第三方的数据来解决你的产品或服务的需求，它也不能保证你一定能完成这些销售任务。”他补充称:“数据模型可以告诉你，一家公司与你提供的服务相匹配，但它不能告诉你该公司现在是否有需求。”
四、未对新模型进行测试
如果你已经花费了时间和金钱来构建一个数据模型，那么你希望在任何地方都能使用它来充分提高模型利用率。但是，如果这样做，就无法衡量这个模型的效果。另一方面，如果用户不相信模型，他们可能不会使用它，然后你就不能测试它，Steinert说。
那么解决方案是什么呢?用一个使用模型的组来确保模型有效，一个不使用它的控制组来对照，Steinert补充道。有一个随机组去寻找模型成立的场合，而对照组则按原先的情况设计。
五、 只有目标，没有假设
寻找可以提供特定改进的数据模型是很诱人的，例如，在48小时内解决80%的客户案例，或者在一季度内获得10%的业务增长，但这些指标还不足以应对问题。
我需要将这个指标增加10%;我的假设是什么?可能会影响到什么?然后我可以对数据中的数据进行探索性分析跟踪。在你提出的问题和你正在测试的假设中清楚地说明，可以帮助你减少在这个问题上花费的时间。”
六、模型已过时
如果你有一个适合你的问题的数据模型，你可能认为你可以一直使用它，但是模型需要更新，并且随着时间的推移，你可能需要构建另外的模型。Ortiz警告说:“功能会随着时间而改变。你需要不断地观察其有效性并更新你的模型。”
模型过时有很多原因;世界在变化，你的公司也在变化(尤其是当模型被证明有用的时候)。模型不应该被视为静态的;市场当然不是一成不变的。“如果市场的偏好正在偏离你的旧有模型，它将使你走入歧途。”模型的性能衰退。或者竞争对手从你的市场表现中学习时它就过时了。问题是随着时间的推移，我们该如何发现新的模型?这就要求我们进行一系列实验，以发现新的找到模型的机会。
七、不监控最终结果
使用控制组的另一部分作用是测量模型的输出的效果，你需要在整个过程中跟踪它，或者最终针对错误的目标优化。
Steinert指出：有的公司使用机器人来提供电话服务，而且不持续检查机器人是否能够带来更高的客户满意度，只庆幸减少了人力成本。如果客户结束合作是因为机器人无法给他们正确的答案，而不是因为解决了他们的问题，那么客户满意度将大幅下降。
八、忽略业务专家的作用
如果你认为需要的所有答案都在数据中，而开发人员或数据科学家可以自己找到它们，那就大错特错了。你必须要确保了解实际业务问题的人参与这项工作中。
Ortiz建议，开始项目时，甚至在查看数据之前，要在数据团队和业务专家之间进行对话，以确保每个人都清楚项目要实现什么效果。然后，你可以做探索性的数据分析，看看你是否能够实现它，如果不能，你可能需要用一种新的方式重新表述这个问题，或者采用一个不同的数据源。但这个具体领域的专家应该帮助确定目标是什么以及项目是否符合目标。
九、选择过于复杂的工具
机器学习的最前沿是令人兴奋的，新技术可能非常强大，但它们也可能是多余的。Shah指出:“也许像逻辑回归或决策树这样的简单方法就能完成这项工作。” Ortiz对此表示赞同。
人们很容易将大量的计算机资源和复杂的模型用于解决问题。也许我对一个项目的某个方面有着很好的理解，我想测试一个全新的算法，这个算法可以做的比要求的更多。或者我只是想尝试一下是否能找到一个简单的方法来解决这个问题。在使用复杂办法之前，应该将所有简单的办法考虑一遍” Ortiz说道,注意到过拟合更可能发生在像深度学习这样的复杂算法中:过拟合可能使新数据不符合原有模型。
你应该与业务专家商量目标然后选择技术。很多数据科学家关注机器学习，机器学习往往关注的是预测。但不是你面临的每一个问题都是预测问题。我们需要关注上季度的销售情况，这可能意味着很多不同的事情。我们是否需要预测新客户的销售额，有可能你只需要知道为什么在上个季度的某一周销售情况不佳。
十、选择不合适的模型
有很多数据科学和机器学习的例子，你可以从中学习和适应。“数据科学热度呈指数增长的原因之一是几乎所有算法的开源模型都可用，这使得快速开发模型变得很容易，”Shah解释说。但是这些模型通常是针对特定的用例开发的。他说，如果你从系统中需要的是不同的功能，那么最好构建自己的版本。实现自己的数据清理和功能构建过程。他建议道。“它给你更多的控制权。”
十一、曲解基本概念和基础原理
当你没有足够的数据用于单独的训练集时，交叉验证可帮助你评估预测模型的准确性。对于交叉验证，你可以分几次设置数据，使用不同的部分训练。然后分次测试模型, 以确定是否无论你使用哪部分数据集进行训练都能获得相同的精度。
但是你不能用它来证明你的模型总是和它的交叉验证分数一样准确，Ortiz解释道。一个可归纳的模型是对新传入的数据作出精确反应的模型，但交叉验证永远无法证明这一点。“因为它只使用你已经拥有的数据，它只是能显示你的模型的尽可能准确的数据。”
从根本上说，“相关性不是因果关系;看到两个相关的东西并不意味着一个影响另一个，”他指出。你对数据集进行的探索性绘图可以让你了解它可以预测什么，以及哪些数据值不会告诉你任何事情的相关性。如果你正在跟踪你的电子商务网站上的客户行为，以预测哪些客户将返回，以及何时返回，记录他们登录并不会告诉你任何信息，因为他们已经回到你的站点来做这些事情。登录与返回有高度的相关性，但将其纳入模型是错误的。
十二、低估用户的理解能力
Ortiz指出，业务用户可能无法自己进行统计分析，但这并不意味着他们不了解错误边际、统计意义和有效性这些指标。通常，当一份数据分析报告提交给商业团队时，它最终会变成一张只有一个数字的幻灯片。无论是一个准确的数字、一个估计还是一个预测，误差范围是非常重要的。如果在数据分析的基础上做出商业决策，那么就要清楚地说明解释结果来使决策者相信这个系统，不要认为他们在技术上什么都不懂，无法理解结果。
