Яркие примеры, иллюстрирующие ключевые ошибки в анализе данных:
1/Опускать поправку на априорные распределения
2/ Использовать для анализа неслучайную выборку
3/ Неверная визуализация
4/ Считать корреляцию причинной связью
5/ Неверно выбранная целевая переменная
6/ Допускать переобучение модели
7/ Оставить выбросы и шумы в данных
8/ Неверно разделить исследование и оптимизацию
9/ Делать поспешные выводы
10/Выбор неправильного инструмента для анализа
CleverDATA for Hadoop_Meetup_22052015_Spark_vs_Hadoop
10 Critical Mistakes in Data Analysis
1. 10 основных ошибок,
которые нельзя допускать
в анализе данных
Константин Обухов
Data Scientist в компании CleverDATA
Презентация для ИТ-лектория
НИУ ВШЭ
02.03.2015
2. Немного о CleverDATA
Развитие бизнеса
на международном
рынке с 2012 года
Входит в тройку
лидеров российских ИТ компаний
43 подразделения в России и за
рубежом
Более 5500 сотрудников
100 тыс.проектов для 10 тыс.заказчиков
Инновационная платформа
управления данными
«Биржа» данных
Облачный сервис
Открытые технологии
Создана в 2014 г.
Фокус на работе с «Big Data»
Собственные центры разработки
Партнерство с мировыми лидерами
и научными институтами
Центр экспертизы по
технологиям Big Data и
Digital Marketing
3. Мы знаем все о больших данных и их обработке
ВЫСОКАЯ СКОРОСТЬ
БОЛЬШОЙ ОБЪЕМ
ЗНАЧИТЕЛЬНАЯ ВАРИАТИВНОСТЬ
Web логи
Финансовые транзакции
Социальные сети
Web контент
Машинные данные
Открытые данные
Hadoop
MPP (Vertica, Exadata, Greenplum,
Teradata)
NoSQL (Key-Value, Document-
oriented, Column-based, Graph-
oriented)
In-memory Data Grids, Calculation
Grids
Data Mining
Machine Learning / Statistics / Natural
Language Processing
Event-Stream Processing
Ценность данных в том, как вы их
анализируете и применяете для развития
своего бизнеса
Понимание клиента и его поведения
Информационная безопасность
Управление рисками
Повышение операционной эффективности
“Потенциал Big Data раскрывается в полной мере при взаимодействии с
другими данными корпорации.” Билл Фрэнкс.
4. Задача
• В городе проживает миллион человек
• 200 из них заболели неизвестным вирусом
• Изобретен тест на наличие болезни с точностью 97%
Вопрос:
Какая вероятность, что вы заболели, если тест дал положительный результат?
3) 0.64%
0.64%
1) 97%
2) 32.14%
5. Решение
1 000 000
200
999 800
194
6
29 994
969 806
Больные
Здоровые
Тест положительный
Тест отрицательный
Тест отрицательный
Тест положительный
0.64%
7. Ошибки I и II рода
Наличие болезни
Результаттеста
Больной Здоровый
Положительный
194
True
Positives
29 994
False
Positives
Отрицательный
6
False
Negatives
969 806
True
Negatives
Ошибка I рода
Ошибка II рода
16. Вот это поворот
1. У бедных нет телефона
2. Бедные голосуют за Трумэна
Фактически нет
данных по бедным
избирателям
Голоса за Дьюи
по обзвону
Голоса за Трумэна
по обзвону
17. 10 основных ошибок, которые нельзя
допускать в анализе данных
2. Использовать для анализа неслучайную выборку
18. Bias Sample
Выборка
1 Выборка
2
Выборка
3
Все данные
• Данные для анализа нужно выбирать
случайно из генеральной совокупности
• Проверять гипотезу нужно на
контрольных данных – тоже выбранных
случайно из всего множества
19. Как убедиться в том, что выборка случайная?
Dataset 1: { f1 ; f2 ; f3 ;…; fn } R(M x N)
Dataset 2: { f1 ; f2 ; f3 ;…; fn } R(M x N)
Признаки в обоих выборках должны принадлежать одному распределению
хорошо плохо
20. Как посчитать функцию распределения
Закон Больших Чисел:
X = rnorm(100,10,1)
Y = rnorm(100,10,2)
X = rnorm(100,10,1)
Y = rnorm(100,9.9,1.1)
41. Как узнать, где причина, а где следствие?
Тест Грэнджера на причинностьКоличество куриц в момент t
Количество яиц в момент времени t
Гипотеза 1: x не является причиной y
Гипотеза 2: y не является причиной x
44. Supervised Learning
• Необходимо задать обучающую выборку –
набор данных признаки : результат
• Алгоритм применяется для распознавания
неизвестных объектов
Классификация Регрессия
45. Unsupervised Learning
• Для обучения нужна выборка только
признаков
• Алгоритм применяется для обнаружения
взаимосвязей и закономерностей между
объектами
Кластеризация Поиск ассоциативных
правил
46. 10 основных ошибок, которые нельзя
допускать в анализе данных
5. Неверно выбранная целевая переменная
47. Прогнозирование оттока клиентов
• Необходимо выявить клиентов, которые с большой вероятностью прекратят
взаимодействие с компанией
• Предиктивная модель обучается на уже ушедших клиентах, ищет признаки оттока
• Каждому клиенту сопоставляется вероятность уйти в отток через какой-то промежуток
времени
57. Еще раз теорема Байеса
Априорная вероятность
(до наблюдения)
Эффект наблюдаемых данных
Апостериорная вероятность
(после наблюдения)
Функция правдоподобия описывает насколько вероятны наблюдаемые
данные при различных значениях весов w
59. Как подобрать нужные параметры модели
Тюнинг модели заключается в подборе таких параметров
λ и M, при которых ошибка на тестовой выборке
минимальная – кросс-валидация
60. 7. Оставить выбросы и шумы в данных
10 основных ошибок, которые нельзя
допускать в анализе данных
62. Задача поиска аномалий
Аномалии – это те события или наблюдения, которые не соответствуют
ожидаемому паттерну других событий в данных
• Intrusion detection
• Fraud detection
• Fault detection
• System monitoring
• Event detection
• Data preprocessing
Очистка от шумов позволяет значительно увеличить
точность предиктивной модели
64. 4 этапа построения модели
1. Необходимо правильно обработать данные
• Модель структурирования потоковых данных позволяет извлечь из
машинных данных важные признаки
• Без обработки данных увеличивается погрешность прогнозирования
Паттерн сбоя
До обработки После обработки
65. 4 этапа построения модели
2. Необходимо найти сбои в исторических данных
• Для того, чтобы прогнозировать сбои в
будущем, необходимо «обучиться» на
прошлых ошибках.
• Вероятностная модель определяет сбои как
значимые отклонения от нормального
состояния работы систем (one class SVM)
Детектирование значимых отклонений от нормы
66. Подход к решению
3. Выявление значимых признаков сбоев
• Выявив сбои, необходимо автоматически
найти причины их возникновения
• Методы корреляционного анализа позволяют
найти причины прошедших сбоев
Корреляционная матица признаков сбоев
67. Подход к решению
4. Построение предиктивной модели
Прошлые наблюдения Будущая вероятность сбоя
Триггеры (предикторы)
ошибок
• Модель обучается на исторических данных, сопоставляя прошлым
наблюдениям будущую вероятность сбоя в различных временных интервалах
• В реальном времени модель отслеживает показатели систем и триггеры
ошибок, рассчитывая будущую вероятность сбоя
68. 8. Неверно разделить исследование и оптимизацию
10 основных ошибок, которые нельзя
допускать в анализе данных
69.
70. Снова ошибки I и II рода
Реальность
Гипотеза
Верная Неверная
Верна
True
Positives
False
Positives
Неверна
False
Negatives
True
Negatives
Exploration
Error
Exploitation
Error
75. Основные этапы построения
предиктивных моделей
Data
Preprocessing
Feature
Engineering
Feature
Selection
Machine Learning
Back Testing
• Необходимая обработка данных: очистка шумов, выбросов.
Приведение данных к нормальному виду
• Генерация факторов и признаков в модели.
Поиск скрытых паттернов
• Выбор предикторов, выявление
значимых закономерностей
• Построение модели алгоритмами
машинного обучения, тюнинг модели
• Тестирование модели на реальных данных
76. 10. Выбор неправильного инструмента для анализа
10 основных ошибок, которые нельзя
допускать в анализе данных
78. 10 основных ошибок, которые нельзя
допускать в анализе данных
1. Опускать поправку на априорные распределения
2. Использовать для анализа неслучайную выборку
3. Неверная визуализация
4. Считать корреляцию причинной связью
5. Неверно выбранная целевая переменная
6. Допускать переобучение модели
7. Оставить выбросы и шумы в данных
8. Неверно разделить исследование и оптимизацию
9. Делать поспешные выводы
10. Выбор неправильного инструмента для анализа
Вопросы?