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

1. 這是A，還是B？ Is this A or B? (two-class classification)
2. 這是A、B、C 還是 D？ Is this A or B or C or D? (multi-class classification)
3. 有沒有奇怪的地方？ Is this Weird? (anomaly detection)
4. 這有多少／有幾個？ How Much/How Many? (regression)
5. 用迴歸演算法解決多元分類問題 Multi-Class Classification as Regression
6. 用迴歸演算法解決二元分類問題 Two-Class Classification as Regression
7. 資料是由什麼組成的？怎麼分類？ How is this Data Organized? (unsupervised learning, clustering)
8. 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。

• 哪些消費者對農產品有相似的品味？
• 哪些觀眾喜歡同一類電影？
• 哪些型號的印表機有類似的故障問題？
• 這間變電所在每週的哪幾天有類似的電力需求？
• 用什麼方法可以自然地將這些文件分成五類？

另一類演算法稱作降維法（dimensionality reduction）。降維是另一種簡化資料的方法，它可以讓資料的溝通變得更容易、處理變得更快、而且存取變得更簡單。降維的運作原理是創造出一套簡化資料的方法。等第積分平均（GPA）是一個很簡單的例子。

• 哪幾組飛機引擎偵測器的數據呈同向（和反向）變化？
• 成功的 CEO 有哪些共通的領導力特質？
• 全美的油價起伏有哪些相似的特徵？
• 這些文件裡有哪幾組詞彙常常同時出現？（它們和哪些主題有關？）

接下來該怎麼做？ What Should I Do Now? (reinforcement learning)

第三類演算法和行動有關，即強化學習（reinforcement learning）演算法。這些演算法和監督式和非監督式都不太一樣。

比方說，迴歸演算法雖然可以用來預測明天的最高溫為華氏 98 度，但它不能用來判斷該做什麼；另一方面，強化學習演算法就可以用來判斷該採取的行動，例如趁天氣還沒變熱的時候，先開辦公大樓內上半層的冷氣。

強化學習演算法很適合用於需要在無人監督情況下、完成許多簡單決策自動化系統，例如電梯、電熱器、冷氣和照明系統。由於強化學習最初被開發的目的是用來操縱機器人，任何自動物件也能使用這套演算法，像是偵查用無人機或掃地機器人。強化學習的問題總是和該採取什麼行動有關，雖然最後往往還是機器在處理這些問題。

• 我該把廣告放在網頁何處，才能讓讀者最有機會點到它？
• 我該把溫度調高或調低一點，還是維持現狀？
• 我該再掃一次客廳還是繼續充電？
• 我現在該買入多少股？
• 看到黃燈時，我該保持當前速度、煞車還是加速？

References

What Types of Questions Can Data Science Answer?

五種可以用機器學習回答的問題

Which Algorithm Family Can Answer My Question?