算法分析已经成为科学研究的重要方法，生物学家、高能物理学家、病理学家等许多领域的研究者都正在广泛采用机器学习算法来发现新配方和新方法，但是谷歌 Accelerated Science 团队高级研究员 Patrick Riley 近日在 Nature 上发表的文章认为，科研工作者对机器学习的预期普遍过高，这可能会导致研究者将资源浪费在错误的研究方向上。他在文中列出了科研工作者在使用机器学习时可能遇到的一些陷阱和应对思路。
三个问题：
1. 不恰当地分割数据
2. 隐变量
3. 定错训练目标
如何解决这些问题？
第一点，机器学习专家自身及其同事需要保持更高的标准。当收到新的实验室设备时，我们希望实验室伙伴可以了解它的功能、如何校正、如何检测误差以及设备的功能限制。机器学习也是如此，使用相关工具的人必须充分了解它们的功能。
第二点，不同的学科需要在各自领域就如何执行和衡量机器学习制定明确的标准。适当的控制、稳定性检查和误差测量将因领域而异，并且需要清楚地阐明，这样研究人员、评审者和编辑才可以鼓励良好的行为。
第三点，科学家在机器学习领域的教育内容需要涵盖这些更广泛的问题。我们虽然可以参考现有的一些资源（如 Google AI），但依然需要做更多的事情。我们通常会教给学生算法和工具，但他们需要更多地学习如何应用这些算法，并适当地提出问题。
我们正处在一个神奇的时代——在机器学习的帮助下，计算能力、数据和算法紧密结合，从而有更多的机会发现一些新事物。作为学术界的一份子，我们有责任确保自身能够好好抓住并利用这些机会。
（机器之心）
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/69918097/viewspace-3155783/ ，如需转载，请注明出处，否则将追究法律责任。
