本文作者：楊健，九章云極 DataCanvas 主任架構(gòu)師

數(shù)據(jù)漂移問題近年在機(jī)器學(xué)習(xí)領(lǐng)域來越來越得到關(guān)注，成為機(jī)器學(xué)習(xí)模型在實(shí)際投產(chǎn)中面對的一個(gè)主要挑戰(zhàn)。當(dāng)數(shù)據(jù)的分布隨著時(shí)間推移逐漸發(fā)生變化，需要預(yù)測的數(shù)據(jù)和用于訓(xùn)練的數(shù)據(jù)分布表現(xiàn)出明顯的偏移，這就是數(shù)據(jù)漂移問題。

數(shù)據(jù)漂移分為三種類型：

• 變量偏移（Covariate Drift），某些獨(dú)立的特征發(fā)生偏移

• 先驗(yàn)概率偏移（Prior probability Drift），目標(biāo)變量發(fā)生偏移

• 概念偏移（Concept Drift），特征和目標(biāo)變量之間的關(guān)系發(fā)生偏移

為什么不能通過提升泛化能力來解決數(shù)據(jù)漂移問題？

數(shù)據(jù)漂移問題無法通過提升模型泛化能力的方法來解決，因?yàn)槲覀兡壳暗臋C(jī)器學(xué)習(xí)方法基本是建立在IID（獨(dú)立同分布）前提下的。在一個(gè)真實(shí)分布下可觀測的訓(xùn)練數(shù)據(jù)有限，訓(xùn)練好模型在預(yù)測時(shí)遇到了符合同一個(gè)分布但未觀測到的樣本時(shí)準(zhǔn)確度下降，這種情況我們通過選擇合適的算法、交叉驗(yàn)證、正則化、Ensemble等方式是可以有效改善模型的泛化能力的。但數(shù)據(jù)漂移的本質(zhì)是數(shù)據(jù)的真實(shí)分布發(fā)生了較大的變化，因此僅僅提升泛化能力是無法有效提升模型效果的。

常用的解決方案

數(shù)據(jù)漂移常見的解決方案是不斷的引入最新的數(shù)據(jù)重新訓(xùn)練模型，但這種方案存在很大的缺陷，例如：我們在客戶流失預(yù)警中通常會用歷史標(biāo)注的數(shù)據(jù)訓(xùn)練模型來預(yù)測當(dāng)月是否有用戶流失，模型預(yù)測的結(jié)果要等下個(gè)月通過用戶行為反饋后得到標(biāo)注才能評估，如果我們發(fā)現(xiàn)結(jié)果大幅下降才能判斷數(shù)據(jù)發(fā)生了漂移，因此這種方案存在比較明顯的滯后性，這也是有監(jiān)督學(xué)習(xí)的主要短板。

使用Adversarial Validation半監(jiān)督學(xué)習(xí)解決數(shù)據(jù)漂移

隨著近年來無監(jiān)督和半監(jiān)督學(xué)習(xí)的發(fā)展，一種基于Adversarial Validation（對抗驗(yàn)證）的半監(jiān)督學(xué)習(xí)技術(shù)被提出用于解決數(shù)據(jù)漂移問題。它的核心思想是通過訓(xùn)練一個(gè)Adversarial Classifier來判斷是否發(fā)生漂移以及哪些特征發(fā)生了漂移，進(jìn)而刪除發(fā)生漂移的特征來保證模型在新數(shù)據(jù)上的效果。如下圖所示：

對抗驗(yàn)證的基本過程是把訓(xùn)練數(shù)據(jù)（先刪除目標(biāo)列）和待預(yù)測數(shù)據(jù)（數(shù)據(jù)中本身就沒有目標(biāo)列）合并后添加新的二分類目標(biāo)列（來自訓(xùn)練集為0， 來自測試集為1）。新的數(shù)據(jù)集shuffle后使用分層采樣分割成訓(xùn)練集和評估集，用訓(xùn)練數(shù)據(jù)fit模型后使用評估集評估AUC，通常如果數(shù)據(jù)沒有發(fā)生偏移AUC會接近0.5，否則就可以判斷發(fā)生了不同程度的數(shù)據(jù)漂移。接下來就是識別哪些特征發(fā)生了漂移，有兩種方法：一種是把每一個(gè)特征列做為X，單獨(dú)訓(xùn)練Adversarial Classifier來評估AUC，超過一定閾值（如>0.6），就確定該列發(fā)生了漂移。另一種方法是：用全部特征訓(xùn)練Classifier然后評估AUC，如果超過一定閾值，就刪除掉特征重要性最高的n個(gè)特征，然后重復(fù)迭代這個(gè)過程，直到AUC降到可接受的范圍內(nèi)。

上面的方法是通過刪除漂移特征來保證模型不被干擾，還有一種方法是通過選擇合適的驗(yàn)證集來獲得更接近于測試集（待預(yù)測數(shù)據(jù)）的模型評估結(jié)果，被成為Validation Data Selection。這種方法是訓(xùn)練一個(gè)模型來識別訓(xùn)練集中的哪些樣本的分布和測試集更相似，把這些樣本拿出來做為Validation Data來指導(dǎo)模型訓(xùn)練，讓模型可以更好的擬合測試數(shù)據(jù)的分布。

在HyperGBM中如何自動(dòng)完成數(shù)據(jù)漂移檢測和處理？

以上這些方法在很多數(shù)據(jù)集上可以很明顯的改善模型的預(yù)測效果，目前在HyperGBM中都已經(jīng)支持，通過配置參數(shù)就可以完成。HyperGBM中只需要在構(gòu)建experiment時(shí)設(shè)置drift_detection=True就會自動(dòng)完成數(shù)據(jù)漂移的檢測和處理，需要注意的是Adversarial Validation是一種半監(jiān)督學(xué)習(xí)，所以訓(xùn)練時(shí)需要提供未觀測到目標(biāo)數(shù)據(jù)的測試集（比如待預(yù)測的下個(gè)月的數(shù)據(jù)，Kaggle競賽中的測試集），在下面示例中我們只是從數(shù)據(jù)集中分割了一部分?jǐn)?shù)據(jù)刪除目標(biāo)列做為測試集：

from tabular_toolbox.datasets import dsutils
from sklearn.model_selection import train_test_split
from hypergbm.search_space import search_space_general
from hypergbm import make_experiment
# load data into Pandas DataFrame
df = dsutils.load_bank()
target = 'y'
train, test = train_test_split(df, test_size=0.3)
test.pop(target)
#create an experiment
experiment = make_experiment(train, target=target, test_data=test，drift_detection=True)
#run experiment
estimator = experiment.run()
# predict on test data without target values
pred = estimator.predict(test)

實(shí)現(xiàn)Validation Data Selection只需要設(shè)置train_test_split_strategy=‘a(chǎn)dversarial_validation’，示例代碼入下：

from tabular_toolbox.datasets import dsutils
from sklearn.model_selection import train_test_split
from hypergbm.search_space import search_space_general
from hypergbm import make_experiment
# load data into Pandas DataFrame
df = dsutils.load_bank()
target = 'y'
train, test = train_test_split(df, test_size=0.3)
test.pop(target)
#create an experiment
experiment = make_experiment(train, target=target, test_data=test，train_test_split_strategy='adversarial_validation')
#run experiment
estimator = experiment.run()
# predict on test data without target values
pred = estimator.predict(test)

更多HyperGBM相關(guān)內(nèi)容請參考：
https://github.com/DataCanvasIO/HyperGBM