大數(shù)據(jù)分析包括尋找有某種預測能力的埋藏模式。但是，選擇哪些數(shù)據(jù)的“特征”來進行分析通常需要靠人類的直覺。

　

　

　　在一個包含數(shù)據(jù)庫中，舉個例子，各種促銷和每周的利潤的開始和結束日期，其關鍵數(shù)據(jù)可能不是日期本身而是它們之間的跨度，或著不是總利潤，但平均跨越這些跨度。

　　這套取代人的直覺與算法的系統(tǒng)，優(yōu)于906個人類團隊中的615個團隊。

　　大數(shù)據(jù)分析包括尋找有某種預測能力的埋藏模式。但是，選擇哪些數(shù)據(jù)的“特征”來進行分析通常需要靠人類的直覺。在一個包含數(shù)據(jù)庫中，舉個例子，各種促銷和每周的利潤的開始和結束日期，其關鍵數(shù)據(jù)可能不是日期本身而是它們之間的跨度，或著不是總利潤，但平均跨越這些跨度。

　　麻省理工學院的研究人員的目標是，用一個不僅能搜索模式也能設計特征的新系統(tǒng)把人類元素從大數(shù)據(jù)分析中剝離出來。為了測試他們系統(tǒng)的第一個原型，他們參加了三個數(shù)據(jù)科學競賽，它與人類團隊比賽，在不熟悉的數(shù)據(jù)集中找到預測模式。906個團隊參與了三項比賽，研究人員的“數(shù)據(jù)科學機器”先于615個團隊完成。

　　在三項比賽中，數(shù)據(jù)科學機器的預測的準確率是94%和96%。第三個數(shù)字則是一個更為溫和的數(shù)字87%。人類的團隊通常需要進行好幾個月的預測算法，而數(shù)據(jù)科學機器產(chǎn)生它的每一個條目只花了2-12小時。

　　“我們把數(shù)據(jù)科學機器視為人類智能的自然補充，”Kanter說，他在麻省理工的碩士論文是《數(shù)據(jù)科學機器的基礎》?！坝羞@么多的數(shù)據(jù)需要進行分析。現(xiàn)在它(機器)只是待在那里沒有做任何事。因此，也許我們可以拿出一個至少讓我們能夠開始著手、讓我們前進的解決方案。”

　　項目之間

　　Kanter和他的導師KalyanVeeramachaneni，麻省理工學院計算機科學和人工智能實驗室的研究科學家(CSAIL)，在他們的論文中描述了數(shù)據(jù)科學機器，Kanter將在下周的IEEE國際科學數(shù)據(jù)和先進分析會議上發(fā)表。

　　Veeramachaneni統(tǒng)一領導計算機科學與人工智能實驗室的所有成員組，在大數(shù)據(jù)分析的實際問題中采用機器學習技術，如依據(jù)風電場場址確定其發(fā)電能力或預測學生從在線課程中輟學的風險。

　　“我們從解決一些工業(yè)數(shù)據(jù)科學問題的經(jīng)驗中觀察到的是一個非常關鍵的步驟，稱為特征工程，”Veeramachaneni說。“你要做的第一件事就是把你的數(shù)據(jù)從數(shù)據(jù)庫或結構中提取出來，為了做這個，你必須得有很多想法?！?/span>

　　例如，2個關鍵指標被用在預測輟學上：一個學生花多少時間解決一個問題集和一個學生相比他或她的同學花了多少時間在課程網(wǎng)站上。麻省理工學院的在線學習平臺MITx不記錄那些統(tǒng)計數(shù)字，但它可以從推斷中收集數(shù)據(jù)。

　　特色組成

　　Kanter和Veeramachaneni使用了一些技巧來制定數(shù)據(jù)分析候選特征。一種是利用數(shù)據(jù)庫設計中固有的結構關系。數(shù)據(jù)庫通常在不同的表中存儲不同類型的數(shù)據(jù)，使用數(shù)字標識表示它們之間的相關性。數(shù)據(jù)科學機器跟蹤這些相關性，將它們作為一個線索進行功能建設。

　　例如，一個表可以列出零售項目和它們的成本;另一個表可能包括在個別客戶購買的項目中列出的項目。數(shù)據(jù)科學機器將從第一個表中的第一個表輸入到第二個。然后，從第二表的關聯(lián)的幾個不同的項目中選擇相同的購買數(shù)量，它將執(zhí)行一套操作，以產(chǎn)生候選功能：總成本，每個訂單，每個訂單的平均成本，最低成本，每個訂單，等等。作為跨表格的數(shù)字標識，數(shù)據(jù)科學機器會在各自層的頂端進行相互操作，找到最小的平均值、平均數(shù)、和等。

　　它也尋找所謂的分類數(shù)據(jù)，這似乎是限制在一個有限的范圍內(nèi)的值，如一周的天數(shù)或品牌名稱。然后，它會依據(jù)劃分現(xiàn)有的跨類別的功能產(chǎn)生新的功能。

　　一旦它生成了一系列的備選項，它會減少它們的數(shù)量以確定這些值具有相關性。然后開始測試其樣本數(shù)據(jù)的簡化特征，使它們以不同的方式來優(yōu)化它們預測收益率的準確性。

　　“數(shù)據(jù)科學機器是一個令人驚奇的、最前沿的研究解決實際問題的項目，是一種看問題的全新的方式?！?span style="font-size: 16px">MargoSeltzer說到，他是一個沒有參與這項工作的哈佛大學計算機科學教授?！拔蚁胨麄兯龅膶⒀杆俪蔀橐环N標準——很快就會。”