機(jī)器學(xué)習(xí)工具吐槽大會：回歸模型連p值都不輸出，文檔描述慘不忍睹 | 你也來吐一波

栗子 2019-12-28 13:25:51 來源：量子位

栗子 發(fā)自 凹非寺
量子位 報道 | 公眾號 QbitAI

同學(xué)，你用過的那些機(jī)器學(xué)習(xí)工具/庫，有沒有什么讓你絕望的地方？

不是我要問，是一個叫做@Train_Smart的網(wǎng)友，在Reddit論壇開帖發(fā)問了：

提問的同時，少年還舉出自己的經(jīng)歷，拋了個磚：

Pandas里的稀疏矩陣 (sparse matrices) ，到scikit-learn里就不支持了。我弄了好幾個小時才發(fā)現(xiàn)，sklearn會把稀疏矩陣inflate起來 (30Mb>>20Gb) ，還完全沒有提示。

很快，直擊靈魂的問題引發(fā)了強(qiáng)烈的共鳴，樓下的小伙伴們紛紛說起自己的傷痛。16小時便有130條回復(fù)，Reddit熱度達(dá)到200點。

吐槽大會

槽點有不少，最先受到強(qiáng)烈轟炸的就是：

統(tǒng)計學(xué)功能太匱乏

名叫@timmaeus的網(wǎng)友說：

我是從統(tǒng)計學(xué)轉(zhuǎn)到機(jī)器學(xué)習(xí)來的，常常很吃驚，因為Python庫輸出的并不是我期待/我需要的那些指標(biāo)：比如回歸模型，就不會輸出系數(shù)、p值、置信區(qū)間這些東西。

樓下有人 (@AuspiciousApple) 提供了一個解釋：

這可能和思維方式有關(guān)系，就好像statsmodels也不會有切分?jǐn)?shù)據(jù)集 (train_test_split) 這種功能一樣。確實很煩，我主要用sklearn，還得把statsmodels召喚出來，就為了那些最基本的統(tǒng)計學(xué)信息。

眾人群起而附議，場面十分壯觀：

開心，在sklearn和statsmodels之間跳來跳去的，不是我一個人。(@luhem007)

我從R過來的，也感覺在Python里面搞個回歸表格怎么這么難。(@Bardy_Bard)

我也是先學(xué)的R，后來常常想問為什么會設(shè)計出numpy/pandas這樣的產(chǎn)品。(@po-handz)

我也是從R來的，發(fā)現(xiàn)自己要先創(chuàng)建一波定制的庫，才能高效地用好那些已經(jīng)有的庫。(@leogodin217)

文檔太不走心

網(wǎng)友@colonel_farts說：

TensorFlow文檔整體都很讓人崩潰。

樓下有人 (@jalagl) 幫他擴(kuò)大了打擊面：

所有文檔都算上吧。我用的是PyTorch，也有很多不夠好的地方 (沒用過TensorFlow，不知道哪個更差) 。

很快就有補(bǔ)刀俠 (@geodesic42) 趕到現(xiàn)場：

PyTorch文檔比TensorFlow還爛。

既然都說文檔爛，具體爛在哪？

大體可以總結(jié)出三條，第一是描述不清楚：

有些東西是真的很怪，而且一點也不直觀。比如有的函數(shù)，名字本身已經(jīng)很奇怪，描述還是“it does the thing”一句話的這種。(@swegmesterflex)

隨之，大家開始不斷地補(bǔ)充各種飄逸的描述：

“Applies the function to the input”(@trashacount12345)

“把函數(shù)應(yīng)用在輸入上?！?/p>

“Can be called.”(@trashacount12345)

“可以被調(diào)用?！?/p>

另一個缺點是不給示例：

我小時候用TurboPascal 7編程，標(biāo)準(zhǔn)庫里面每個函數(shù)都有示例，不是只有描述。

為啥PyTorch就不能給每個函數(shù)寫個示例？(@visarga)

還有第三個缺點，加載慢：

你們不覺得PyTorch文檔加載巨慢么？手機(jī)上都看不了，因為加載時間太久了。(@fckoch)

所以，軟件公司什么時候才能感受到，不給清晰文檔、不給示例的東西沒法用，繼而開發(fā)出既有好文檔又有示例搭配的產(chǎn)品呢？

有人并不抱太大希望 (@inigoskimmer) ：

不會太快吧。今年還有個資深程序員跟我說，他沒注釋代碼，因為代碼很可能會改，加注釋的話可能會誤導(dǎo)別人。

寫注釋、寫文檔，原本就是開發(fā)者頭疼的活動吧。

也有網(wǎng)友 (@real_kdbanman) 從另一個角度觀察了這個問題：

請記得，所有主流庫都是免費的，開源的！每個人都有責(zé)任把它們變好的。文檔Pull Request真的很有幫助。

雖然，最初參與開發(fā)的人，對初始文檔的質(zhì)量負(fù)有責(zé)任。但如果后來的用戶只在那里干等，也是不能期待文檔自己變好。

機(jī)器學(xué)習(xí)這個領(lǐng)域，一直是背靠著高度開放的社區(qū)，才得到迅猛的發(fā)展。想讓機(jī)器學(xué)習(xí)工具變得更好用，也要社區(qū)成員們一起努力才能實現(xiàn)吧。

不過，這也不是問題的全部：

同一個概念，不同的術(shù)語

上文只提到了“缺乏有效描述”的問題，卻沒有解釋，用戶為什么會需要詳盡的描述，ML領(lǐng)域的溝通成本為什么這樣高。

網(wǎng)友@luhem007是這樣說的：

在統(tǒng)計和機(jī)器學(xué)習(xí)的社區(qū)里：同一個數(shù)學(xué)/統(tǒng)計概念能有無數(shù)個不同定義。這樣交流起來就很困難，文檔讀起來也很困難。

好像不同的學(xué)科都發(fā)現(xiàn)了同一個規(guī)律，然后迅速給它起個名字占為己有，就跟插個旗子搶地盤一樣。

樓下深有同感 (@seman_ticks) ：

我想起之前上過的兩門課，一門是數(shù)學(xué)系的，另一門是計算機(jī)系的，本質(zhì)上講的東西都一樣，就是命名體系不一樣。

可以開個像“thesaurus”那樣的同義詞庫了吧。

你怎么看？

在機(jī)器學(xué)習(xí)庫/工具身上，網(wǎng)友們找到的缺陷數(shù)不勝數(shù)，本文難以一一覆蓋。

閣下也有不吐不快的槽點么？或者有解決問題的方案建議么？

可以留言在評論區(qū)，也可以去Reddit參與一下吐槽盛會，有益身心健康。

Reddit討論區(qū)：
https://www.reddit.com/r/MachineLearning/comments/eftv1o/d_what_frustrates_you_about_ml_tools_libraries/