算法工程师的术与道：从特征工程谈数据敏感性

问题导入
什么是数据敏感性
如何衡量数据敏感性
数据敏感性如何培养
导入问题的答案

面向人群：算法工程师

我们从一道题目说起，

请不择手段地提高下面这个数据的label预测精度。

特征输入：id和id_sub标识数据，question是问题，answer回答

标签：lable是否匹配。

数据展示：

黄金玩家：这个简单，BERT跑几个单模型融合一下，这玩意不是全靠ensemble吗？

王者玩家（Kaggle GrandMaster）：数据中有非常强的规律，我可以用特征工程来刻画出来。

想看这个题目的答案，直接翻到文章最后。

下面我们引入本文的正题，工业界的算法工程师的核心竞争力到底是什么？

这里引用认识的算法大佬的一段观点。大家比较认同的基本功是编程，数学，数据洞察。随着模型工具化，实际工作中对数学的要求也会比较低，在编程方面，算法工程师明显没有比系统开发更有优势。那么我们不仅想问，算法工程师的核心竞争力到底是什么？我们用排除法，最后剩下一项叫数据洞察，也叫数据敏感性。

数据敏感性听起来很玄乎。每个数据分析，商业分析，产品经理的岗位的JD都写了要求数据敏感性要高？那么这个东西怎么量化呢？到底是刻画一种怎么样的能力呢？如果用一句话来说，就是发现数据规律的能力。

这个具体在不同的岗位上有不同的体现，比如算法工程师的特征工程水平高低。这里比较认同一点，数据encoding只是基本的特征工程，而业务理解的数值转化，数据规律的特征刻画是高阶的特征工程。

在商业分析岗位，其体现是给你一组数据，快速发现其中的存在的异常和问题，并指出可能的原因。

对数据分析岗位来说可能就是给你一些数据指标，在找出其中的相互关系。

如果用一句话来说，就是发现数据规律的能力，化繁为简，范式地表达数据。后者是从数据中提取信息，加工成知识的一种能力。

如果你觉自己的数据敏感性还不错，请回到开头回答那个问题。

我们承认天赋但不谈天赋，我们看一下后天切实可行的可以培养提高的方法。

1. 掌握基本的数据分析方法，各种指标的计算方法。

大概就是这个指标是什么意思，为什么提出这个指标，这个指标能刻画什么问题。这个指标正常的表现是什么样子。

2. 理解数据背后生产逻辑和运行逻辑。

比如从广告投放到点击到下单，这个漏斗模型中各个数据是怎么得到的，他们的关联性是什么，影响因素是如何影响数据运行的。

3．快速归因，定位问题。

这一阶段进入分析这一件事情，之前都是在理解数据，分析数据也是为了发现问题，找出问题，解决问题。一些基本的方法论，比如控制变量法等等。

4．理解业务特性问题，发现本质，解决问题。

做以上的目的还是为了How出发点的。也就是尝试做人肉决策。一个最典型的能力是，给你一个任务，你能否拆分清楚，并且提炼出其中对最终收益最大的部分。

当然以上都是数据敏感性的道，具体还有一些术。

比如：

• 客群拆分

• 分维观察

• 分布监测

• 采样观察

• 特征工程

• AB测试

• 归因分析

等等

这个就有点类似于算法工程师的特征工程实操了，比较零散，本质我们还是用手里已有的工具，去发现，刻画，解决问题。

最后公布一下开头问题的答案吧

数据中的道：标签中存在连续的1，因为构造数据没有shuffle，连续的回答question的answser紧靠在一起，并且都是同一个answer。所以这不仅仅是个NLP的问题，当然这也是聊天中存在的问题，就是有人习惯一个问题，分好几句来回答。

数据中的术：特征工程，特征一，交叉验证得到OOF概率上下错位（即时间序列中的lag特征），特征二，OOF概率的一阶差分。等等还有不少特征可以刻画。

名词解释 OOF

有人说(玩比赛)这东西没用（leak，业务用不上），我说他有用（锻炼数据敏感性），这是数据洞察，资深算法中的数据洞察讲究发现规律。他说非要试试，上来就是一个反转二叉树，一个链表找环，我全都防出去了。他突然红黑树袭击我脸，我大意了，没有闪。我劝各位面试官耗子尾汁，不要老欺负玩比赛的老同志，面试要以发现候选人的闪光点，要讲武德。算法行业要以和为贵，谢谢各位面试官老师！

关于文中数据敏感性的部分，只写了一些个人的见解，后面学习思考一下继续补充完整。