機器學習43條軍規：解密谷歌機器學習工程最佳實踐（上）

本文是對<Rules of Machine Learning: Best Practices for ML Engineering>一文的翻譯+解讀。看過我翻譯文章的同學知道我翻譯文章一般都不太老實，沒有那麼「忠於原著」，本篇也不例外，本篇對於原文的解讀大概有三種形式：

1. 原文翻譯。對於作者本身闡述的比較好，而我也沒什麼可補充的部分，基本會原文翻譯。
2. 半翻譯半解讀。有的條目我覺得有些自己的經驗和感想可以和大家分享，就會加一些自己的解讀在裡面。
3. 省略。還有一些時候我覺得作者說的太仔（luo）細（suo），或者這個條目說得比較基本，無需太多解釋，我就會不同程度的省略原文。

這種形式對於有的同學來講可能會對原文信息有所損失，所以想要讀到原文的同學，可以在這裡找到原文：http://martin.zinkevich.org/rules_of_ml/rules_of_ml.pdf。 或者去搜一些其他人比較忠於原著的翻譯。

作者介紹

什麼樣的NB人物寫東西敢起號稱」Rules of Machine Learning」這種不怕閃了腰的題目？首先我們來簡單介紹一下本文的作者Martin Zinkevich。

Martin Zinkevich現在是谷歌大腦的高級科學家，負責和參與了YouTube、Google Play 以及Google Plus等產品中的機器學習項目。在加入谷歌之前是雅虎的高級科學家，曾在2010年和2011年兩度獲得雅虎的最高榮譽Yahoo Team Superstar Awards，對雅虎的廣告系統做出過很多傑出貢獻。

擁有如此NB的背景，我們有理由相信這哥們兒寫出來的東西還是具有足夠的參考價值的。

梗概介紹

本文把在產品中應用機器學習的過程從淺到深分成了三個大的階段，又在這三個大的階段中細分出了一些方面，以此對43條規則進行邏輯分類。簡單來說，如果你是從頭開始做機器學習系統，那麼就可以在不同階段參考這裡面對應的條目，來保證自己走在正確的道路上。

正文開始

To make great products:

do machine learning like the great engineer you are, not like the great machine learning expert you aren』t.

這句話一定程度上是對整篇文章（叫手冊可能更合適）的一個高度概括，ML在實際工作確實更多是工程問題，而不是演算法問題。優先從工程效率中要效果，當把這部分榨乾後，再考慮演算法的升級。

Before Machine Learning

Rule #1: Don』t be afraid to launch a product without machine learning.

規則1：不要害怕上線沒有機器學習的產品。

中心思想一句話概括：If you think that machine learning will give you a 100% boost, then a heuristic will get you 50% of the way there.

Rule #2: First, design and implement metrics.

規則2：在動手之前先設計和實現評價指標。

在構建具體的機器學習系統之前，首先在當前系統中記錄盡量詳細的歷史信息，留好特徵數據。這樣不僅能夠留好特徵數據，還能夠幫助我們隨時了解系統的狀態，以及做各種改動時系統的變化。

Rule #3: Choose machine learning over a complex heuristic.

規則3：不要使用過於複雜的規則系統，使用機器學習系統。

簡單來講，複雜的規則系統難以維護，不可擴展，而我們很簡單就可以轉為ML系統，變得可維護可擴展。

ML Phase I: Your First Pipeline

構建第一個ML系統時，一定要更多關注系統架構的建設。雖然機器學習的演算法令人激動，但是基礎架構不給力找不到問題時會令人抓狂。

Rule #4: Keep the first model simple and get the infrastructure right.

規則4：第一個模型要簡單，但是架構要正確。

第一版模型的核心思想是抓住主要特徵、與應用盡量貼合以及快速上線。

Rule #5: Test the infrastructure independently from the machine learning.

規則5：獨立於機器學習來測試架構流程。

確保架構是可單獨測試的，將系統的訓練部分進行封裝，以確保其他部分都是可測試的。特別來講：

1. 測試數據是否正確進入訓練演算法。檢查具體的特徵值是否符合預期。
2. 測試實驗環境給出的預測結果與線上預測結果是否一致。

Rule #6: Be careful about dropped data when copying pipelines.

規則6：複製pipeline時要注意丟棄的數據。

從一個場景複製數據到另一個場景時，要注意兩邊對數據的要求是否一致，是否有數據丟失的情況。

Rule #7: Turn heuristics into features, or handle them externally.

規則7：將啟發規則轉化為特徵，或者在外部處理它們。

機器學習系統解決的問題通常都不是新問題，而是對已有問題的進一步優化。這意味著有很多已有的規則或者啟發式規則可供使用。這部分信息應該被充分利用（例如基於規則的推薦排序時用到的排序規則）。下面是幾種啟發式規則可以被使用的方式：

1. 用啟發規則進行預處理。如果啟發式規則非常有用，可以這麼用。例如在垃圾郵件識別中，如果有發件人已經被拉黑了，那麼就不要再去學「拉黑」意味著什麼，直接拉黑就好了。
2. 製造特徵。可以考慮從啟發式規則直接製造一個特徵。例如，你使用啟發式規則來計算query的相關性，那麼就可以把這個相關性得分作為特徵使用。後面也可以考慮將計算相關性得分的原始數據作為特徵，以期獲得更多的信息。
3. 挖掘啟發式規則的原始輸入。如果有一個app的規則啟發式規則綜合了下載數、標題文字長度等信息，可以考慮將這些原始信息單獨作為特徵使用。
4. 修改label。當你覺得啟發式規則中包含了樣本中沒有包含的信息時可以這麼用。例如，如果你想最大化下載數，同時還想要追求下載內容的質量。一種可行的方法是將label乘以app的平均star數。在電商領域，也常常用類似的方法，例如在點擊率預估的項目中，可考慮對最終下單的商品或者高質量的商品對應的樣本增加權重。

已有的啟發式規則可以幫助機器學習系統更平滑的過渡，但是也要考慮是否有同等效果更簡單的實現方式。

Monitoring

概括來講，要保持好的監控習慣，例如使報警是可應對的，以及建設一個Dashboard頁面。

Rule #8: Know the freshness requirements of your system.

規則8：了解你系統對新鮮度的要求。

如果模型延遲一天更新，你的系統會受到多大的效果影響？如果是一周的延遲呢？或者更久？這個信息可以讓我們排布監控的優先順序。如果模型一天不更新收入就會下降10%，那麼可以考慮讓一個工程師全天候監控它。了解系統對新鮮度的要求是決定具體監控方案的第一步。

Rule #9: Detect problems before exporting models.

規則9：在模型上線之前檢測問題。

模型上線前一定要做完整性、正確性檢查，例如AUC、Calibration、NE等指標的計算確認等。如果是模型上線前出了問題，可以郵件通知，如果是用戶正在使用的模型出了問題，就需要電話通知了。

Rule #10: Watch for silent failures.

規則10：關注靜默失敗。

這是一個非常重要，而又經常容易被忽略的問題。所謂的靜默失敗指的是全部流程都正常完成，但是背後依賴數據出了問題，導致模型效果逐步下降的問題。這種問題在其他系統中並不常出現，但是在機器學習系統中出現幾率會比較高。例如訓練依賴的某張數據表很久沒有更新了，或者表中的數據含義發生了變化等，再或者數據的覆蓋度忽然變少，都會對效果產生很大的影響。解決方法是是對關鍵數據的統計信息進行監控，並且周期性對關鍵數據進行人工檢查。

Rule #11: Give feature column owners and documentation.

規則11：給特徵組分配負責人，並記錄文檔。

這裡的feature column指的是一個特徵組，例如用戶可能屬於的國家這組特徵就是一個feature column。

如果系統龐大，數據繁多，那麼知道每組數據由誰生成就變得非常重要。雖然數據都有簡單描述，但是關於特徵的具體計算邏輯，數據來源等都需要更詳細的記錄。

Your Fist Objective

objective是模型試圖優化的值，而metric指的是任何用來衡量系統的值。

Rule #12: Don』t overthink which objective you choose to directly optimize.

規則12：不要過於糾結該優化哪個目標。

機器學習上線的初期，即使你只優化一個目標，很多指標一般都會一起上漲的。所以不用太糾結究竟該優化哪個。

雖然大佬這麼說，但是在我自己的實踐經驗中，只優化一個目標，系統的整體效果卻未必會上漲。典型的如推薦系統的CTR模型，上線之後CTR確實會提升，但是對應的CVR很有可能會下降，這時還需要一個CVR模型，兩個模型同時使用才能真正提升系統效果。究其原因，是因為每個目標只關注系統整個過程的一個子過程，貪心地去優化這個子過程，不一定能夠得到全局的最優解，通常需要把主要的幾個子過程都優化之後，才能取得整體效果的提升。

Rule #13: Choose a simple, observable and attributable metric for your first objective.

規則13：為你的第一個objective選擇一個簡單可觀測可歸因的metric。

objective應該是簡單可衡量的，並且是metric的有效代理。最適合被建模的是可直接觀測並被歸因的行為，例如：

1. 鏈接是否被點擊？
2. 軟體是否被下載？
3. 郵件是否被轉發？
   ……

盡量不要在第一次就建模非直接效果的行為，例如：

1. 用戶第二天是否會訪問？
2. 用戶在網站上停留了多久？
3. 日活用戶有多少？

非直接指標是很好的metric，可以用ABTest來進行觀測，但不適合用作優化指標。此外，千萬不要試圖學習以下目標：

1. 用戶對產品是否滿意？
2. 用戶對體驗是否滿意？
   ……

這些指標非常重要，但是非常難以學習。應該使用一些代理指標來學習，通過優化代理指標來優化這些非直接指標。為了公司的發展著想，最好有人工來連接機器學習的學習目標和產品業務。

Rule #14: Starting with an interpretable model makes debugging easier.

規則14：使用可解釋性強的模型可降低debug難度。

優先選擇預測結果有概率含義、預測過程可解釋的模型，可以更容易的確認效果，debug問題。例如，如果使用LR做分類，那麼預測過程不外乎一些相乘和相加，如果特徵都做了離散化，就只有加法了，這樣很容易debug一條樣本的預測得分是如何被計算出來的。所以出了問題很容易debug。

Rule #15: Separate Spam Filtering and Quality Ranking in a Policy Layer.

規則15：將垃圾過濾和質量排序的工作分離，放到策略層（policy layer）。

排序系統工作的環境中數據分布是相對靜態的，大家為了得到更好的排序，會遵守系統制定的規則。但是垃圾過濾更多是個對抗性質的工作，數據分布會經常變動。所以不應該讓排序系統去處理垃圾信息的過濾，而是應該有單獨的一層去處理垃圾信息。這也是一種可以推廣的思想，那就是：排序層只做排序層的事情，職責盡量單一，其他工作讓架構上更合適的模塊去處理。此外，為了提升模型效果，應該把垃圾信息從訓練數據中去除。

ML Phase II: Feature Engineering

前面第一階段的重點是把數據喂到學習系統中，有了基礎的監控指標，有了基礎的架構。等這一套系統建立起來後，第二階段就開始了。

整體來講，第二階段的核心工作是將盡量多的有效特徵加入到第一版的系統中，一般都可以取得提升。

Rule #16: Plan to launch and iterate.

規則16：做好持續迭代上線的準備。

簡單來說，就是要深刻認識到，系統優化永遠沒有終點，所以系統設計方面要對迭代非常友好。例如增加刪除特徵是否足夠簡單，正確性驗證是否足夠簡單，模型迭代是否可以並行運行，等等。

這雖然不是一條具體可行動的（actionable）規則，但是這種思想上的準備對整個系統的開發很有幫助。只有真正深刻意識到了系統持續迭代上線的本質，才會在設計在線和離線架構時為持續迭代最好相應的設計，並做好相應的工具，而不是做一鎚子系統。

Rule #17: Start with directly observed and reported features as opposed to learned features.

規則17：優先使用直接觀測或收集到的特徵，而不是學習出來的特徵。

所謂學習出來的特徵，指的是用另外的演算法學習出來的特徵，而非可以直接觀測或收集到的簡單特徵。學習出來的特徵由於存在外部依賴，或者計算邏輯複雜，不一定適用於你當前的模型，所以穩定性和有效性會有風險。而直接可觀測的特徵由於是相對比較客觀的，依賴較少的，所以比較穩定。

Rule #18: Explore with features of content that generalize across contexts.

規則18：探索使用可以跨場景的內容特徵。

中心思想是在說，要多利用可以在多個場景下使用的特徵，例如全局的點擊率、瀏覽量這些特徵，可以在多個場景下作為特徵使用。這樣可以在一些冷啟動或者缺乏有效特徵的場景下作為特徵使用。

Rule #19: Use very specific features when you can.

規則19：盡量使用非常具體的特徵。

如果數據量足夠大，那麼相比少數複雜特徵，使用海量簡單特徵是更簡單有效的選擇。

所謂非常具體，指的是覆蓋樣本量比較少的特徵，例如文檔的ID或者query的ID等。這樣的特徵雖然每個只覆蓋很少一部分特徵，但是只要這一組特徵整體能夠覆蓋率比較高，例如90%，那就是OK的。而且還可以通過正則化來消除覆蓋率過低或者相關性差的特徵。這也是大家都偏愛大規模ID特徵的一個原因，現在很多大廠的排序模型特徵都大量使用了大規模ID特徵。

Rule #20: Combine and modify existing features to create new features in human--understandable ways.

規則20：用人類可理解的方式對已有特徵進行組合、修改來得到新特徵。

離散化和交叉是最常用的兩種特徵使用方式。其本質都是用特徵工程的方式，在不改變使用模型本身的情況下增加模型的非線性。這兩種方法本身沒什麼好說的，值得一致的是，在大規模ID類特徵的交叉時，例如一段是query里的關鍵詞，另一端是文檔里的關鍵詞，那就會產生很大量級的交叉特徵，這時有兩種處理方法：

1. 點積。其實計算query和文檔共同包含的關鍵詞數量。
2. 交集。每一維特徵的含義是某個詞同時出現在了query和文檔中，同時出現則該維特徵為1，否則為0。

所謂「人類可理解的方式」，我的理解就是離散化和交叉要基於對業務邏輯的理解，不能亂交叉。

Rule #21: The number of feature weights you can learn in a linear model is roughly proportional to the amount of data you have.

規則21：線性模型中可學到的特徵權重數量，與訓練數據的數量大體成正比。

這背後有複雜的統計原理做支撐，但你只需要知道結論就可以了。這個原則給我們的啟示，是要根據數據量來選擇特徵的生成方式，例如：

1. 如果你的系統是一個搜索系統，query和文檔中有百萬級的詞，但是你只有千級別的標註樣本。那你就別用ID級關鍵詞特徵了，而是要考慮點積類特徵，把特徵數量控制在幾十個這個級別。
2. 如果你擁有百萬級樣本，那麼可以將文檔和query的關鍵詞進行交叉特徵，然後用正則化進行特徵選擇。這樣你會得到百萬級特徵，但是正則化之後會更少。所以說，千萬級樣本，十萬級特徵。
3. 如果你有十億級或者更高級別的樣本，那麼你可以使用query和文檔的ID級特徵，然後加上特徵選擇和正則化。十億級樣本，千萬級特徵。

總結起來就是，根據樣本決定特徵使用方式，樣本不夠就對特徵進行高層次抽象處理，指導和樣本量級相匹配。

Rule #22: Clean up features you are no longer using.

規則22：清理不再使用的特徵。

如果某個特徵已經沒有用，並且它與其他特徵的交叉也已經沒有用，就應該將其清理掉，保持架構的整潔性。

在考慮添加或保留哪些特徵時，需要統計一下特徵的樣本覆蓋率，例如一些整體覆蓋率很低的個性化feature column，只有很少用戶能覆蓋到，那麼大概率這組特徵作用不大。但另一方面，如果某個特徵覆蓋率很低，例如只有1%，但是其區分度非常大，例如90%取值為1的樣本都是正樣本，那麼 這個特徵就值得加入或保留。

未完待續……