实现数据科学研究结果可复制的十条规则
实现数据科学研究结果可复制的十条规则
原文:10 Rules For Creating Reproducible Results In Data Science
来源: http://dataconomy.com/2017/07/10-rules-results-data-science/
品觉导读:
手动数据操作是无法显示踪迹的操作。
你必须记录你使用的所有软件的版本,包括操作系统的版本。软件的任何细微变化都可能影响到结果。
众人的审视可以改善分析质量,所以分享得越多,你的分析质量就可能越高。
原文翻译:
近年来,有越来越多的迹象表明,科研结果的可复现性出现了危机。对心理学和癌症生物学论文的检查发现,分别只有40%和10%的结果是可复现的。
《自然》杂志在2016年对科研人员的调查结果显示:
52%的科研人员认为存在严重的可复现性危机
70%的科学家试图复现另一位科学家的试验,但以失败告终
2013年,一群科研人员在一篇论文中,讲述了可复现性计算研究的十条规则。如果遵循这些规则,应该会产生更具可复现性的结果。
所有的数据科学都是研究。仅仅因为研究结果没有发表在学术论文中,这不会改变我们试图从庞杂数据中获取洞见的事实。因此,对于任何从事内部分析的数据科学家来说,那篇论文中的十条规则都应该引起重视。
规则1:对于每个结果,都要记录它的产生过程
知道研究结果的产生过程很重要。知道你如何从原始数据中得出该结论,这可以让你:
为结果辩护
发现错误时修改结果
在数据更新时复现结果
提交结果以供评审
如果你使用一种编程语言(R、Python、Julia、F#等等)来编写你的分析脚本,那么过程应该是清晰明了的,前提是避免了任何的手动步骤。如果使用“鼠标点击”工具(比如Excel),这会使你更难记录步骤,因为你必须描述一系列手动操作,而手动操作很难记录和复现。
规则2:避免手动数据操作步骤
你可能很想在编辑器中打开数据文件,手动修改格式错误或者删除异常值。而且,现代的操作系统使你可以轻松地剪切和粘贴应用。然而,你应该抵挡住这种走捷径的诱惑。手动数据操作是无法显示踪迹的操作。
规则3:存档你使用的所有外部程序的准确版本
理想情况下,你应该创建一个包含所有脚本运行软件的虚拟机。这使你可以生成分析生态系统的快照,轻松实现结果的可复现性。
不过,这并不总是可行。例如,如果你使用云服务,或者你分析的数据集非常庞大,那么你很难圈定整个环境进行存档。另外,商业工具的使用可能使你难以和其他人分享这样的一个环境。
至少,你必须记录你使用的所有软件的版本,包括操作系统的版本。软件的任何细微变化都可能影响到结果。
规则4:记录所有自定义脚本的版本
应该使用版本控制系统(比如Git)来记录脚本的版本。你应该标记(快照)多个脚本,并在你产生的任何结果中索引那个标记。这样一来,如果你后来决定修改脚本(你肯定会这么做),你就可以及时找到产生特定结果的确切脚本。
规则5:尽量用标准格式记录所有的中间结果
如果你遵循了规则1,应该就有可能从原始数据中重现任何结果。不过,虽然这在理论上是可能的,但在实践中存在种种限制。问题可能包括:
缺乏从头开始运行结果的资源(比如使用了大量的集群计算资源)
使用了商业工具,但没有某些工具的授权
使用某些工具的技术能力不足
在这些情况下,从原始数据的派生数据集着手不失为明智之举。这些中间数据集(比如CSV格式数据)提供了更多的分析选择,并且在出错的时候,更容易识别有问题的结果,不必重头来过。
规则6:对于带有随机性的分析,要记录潜在的随机种子
数据科学家常常没有为他们的分析设置种子值,因此不可能准确复现机器学习研究。很多机器学习算法都包含随机成分,虽然强劲的结果可能在统计上是可复现的,但没什么能比得上与其他人产生的精确数据相一致。
如果你使用脚本和源代码控制,你可以在脚本中设置种子值。
规则7:始终保存原始数据
如果你使用脚本/编程语言,图表常常将自动生成。但如果你使用Excel这样的工具来绘制图表,请确保你保存了原始数据。这使图表可以复现,也能对图表背后的数据进行更细致的检查。
规则8:生成层次分析输出结果,使越来越细致的层次可以被检查
数据科学家的工作是以某种形式总结数据,从数据中获取洞见。
不过,总结也容易导致数据误用,所以应该让相关方可以把总结分解成各个数据点。对于每个总结性结果,要与使用的数据联系起来,以便对总结进行推算。
规则9:把文本陈述和潜在结果联系起来
归根结底,数据分析的结果是以文字的形式呈现,而文字是不精确的。有时,结论和分析之间的联系很难确定。由于论文常常是科研中最具影响力的部分,因此把论文和结果联系起来至关重要,由于规则1的缘故,与原始数据联系起来也很重要。
这可以通过在文本中添加脚注的方式来实现。脚注引用的文件或URL应该包含引出论文中观察发现的特定数据。如果你无法建立这种联系,说明你可能没有充分记录所有步骤。
规则10:公开脚本、过程和结果
在商业环境中,可能不适合公开所有的数据。不过,向组织内部的其他人公开数据是可以的。基于云的源代码控制系统,比如Bitbucket和GitHub,允许创建私密存储,任何获得授权的同事都能访问。
众人的审视可以改善分析质量,所以分享得越多,你的分析质量就可能越高。
本次转自:品觉 微信公众号(pinjueche.com)
车品觉简介
畅销书《决战大数据》作者;国信优易数据研究院院长;红杉资本中国基金专家合伙人;浙江大学管理学院客席教授;全国信标委员;数据标准工作组副组长;美丽心灵基金会桑珠利民基金副主席。
原阿里巴巴集团副总裁,首任阿里数据委员会会长;现担任中国信息协会大数据分会副会长、中国计算机学会大数据专家委员会副主任、粤港信息化专家委员、中国计算数学学会第九届理事、清华大学教育指导委员(大数据项目)、浙江大学管理学院客席教授等职。
END
关联阅读
原创系列文章:
数据运营 关联文章阅读:
数据分析、数据产品 关联文章阅读:
80%的运营注定了打杂?因为你没有搭建出一套有效的用户运营体系
商务合作|约稿 请加qq:365242293
更多相关知识请回复:“ 月光宝盒 ”;
数据分析(ID : ecshujufenxi )互联网科技与数据圈自己的微信,也是WeMedia自媒体联盟成员之一,WeMedia联盟覆盖5000万人群。
关注公众号:拾黑(shiheibook)了解更多
[广告]赞助链接:
四季很好,只要有你,文娱排行榜:https://www.yaopaiming.com/
让资讯触达的更精准有趣:https://www.0xu.cn/
随时掌握互联网精彩
- 1 澳门是伟大祖国的一方宝地 7927989
- 2 女法官遇害案凶手被判死刑 7906150
- 3 日本火山喷发灰柱高达3400米 7806901
- 4 中国为全球经济增长添动能 7751085
- 5 肖战新片射雕英雄传郭靖造型曝光 7616600
- 6 大三女生练咏春一起手眼神骤变 7573309
- 7 #马斯克对特朗普政府影响有多大# 7484448
- 8 36岁女子看高血压查出怀孕34周 7314435
- 9 赵丽颖带儿子探班 7232331
- 10 女子穿和服在南京景区拍照遭怒怼 7175904