经验 : 三个你在书中无法学到的数据分析知识。

每当出现这种情况，你就会得到过于乐观的数字，你的方法将无法在未来真正的数据中很好地工作。在最坏的情况下，当你终于说服别人来使用你的方法时这个方法并不能达到预期效果。所以学习如何正确评估是关键！

二、一切都在于特征提取

学习到一种新的方法是令人兴奋的，但事实是，大部分最复杂的方法执行起来基本是相同的，而真正的区别是在通过学习把原始数据的特征提取出来。

现代的学习方法是非常强大的，很容易在几十秒内处理成百上千的数据点，但事实是，这些方法是非常愚蠢的，特别是线性模型（如Logistic回归，线性支持向量机）方法基本上同你的计算器一样傻乎乎。

它们善于通过足够的数据鉴定出特征，但是如果信息不足，或者没有通过输入线性组合展现特征的，它们就什么也做不了。它们也无法通过洞察数据的来实现数据自身的缩减。

换句话说，你可以通过合适的特征来大量减少数据所需的量。假设说你减少了所有要预测的函数的特征，还有什么东西需要学习，对不对？那是多么强大的特征提取！

这意味着两件事。首先，你需要确保你掌握了这些方法中的一个，而且要坚持下去。所以你真的不需要Logistic回归和线性向量机都学习，只学习其中一个就行。这也包括你需要理解哪些方法是类似的，这其中的关键点在于底层的模型。所以深度学习是不一样的，但线性模型在表现上来看是差不多的，尽管这些方法有些不同，但是在大多数的案例中都可以得到类似的预测结果。

第二点，你需要学习所有关于这个行业的特征。不幸的是这是一门艺术，而且几乎没有任何教科书可以提供，因为只有很少的理论。正常化有一个很长的道路，有时特征需要提前对数。每当你可以消除一些自由度，你就可以显著地减少你所需要训练的数据量。

有时候发现这些类型的转化是很容易的。例如如果你正在做手写字符的识别，如果有前景色和背景色的区别，字符的颜色就会变的很重要。