怎么工作 AI 为什么需要好数据

垃圾进，垃圾出

机器只看我们给它的例子来学。所以例子错了，它会连错误一起照单全收。给猫的照片贴上“狗”的标签，机器就会把猫说成狗。
只给偏向一边的例子，它就会以为世界本来就是这么偏的。这句话简单说就是：垃圾进，垃圾出。连人看了都觉得是一团糟的资料，模型再好，也只能学到一团糟。

一个个放进错的例子。标签被调换的例子越多，机器的判断就越浑，准确度也越低。

错的例子越堆越多，机器的答案就越乱。机器自己不知道什么是对的，只是照样相信我们给它的资料。所以标签错了或者有偏向的资料，会原样变成坏习惯。
反过来说，光是把资料改对，同一个模型就可能变好很多。

给好材料，才学得对

那么，什么样的材料算好？第一，标签要准确：猫就是猫，狗就是狗。第二，不能偏向一边。猫的照片给一大堆，狗的照片只给几张，机器就几乎认不出狗。
第三，要像实际使用时的情况。只用明亮白天照片学出来的模型，碰到昏暗的夜间照片就会犯迷糊。模糊不清或者乱七八糟混在一起的资料，最好剔掉。

点按钮，把乱七八糟的材料换成干净、均衡的材料。材料一变好，机器的准确度马上就上去了。

模型一点没动，准确度却一下子上去了。变的只有材料：标签改对、两边均匀填满，同一个模型就学对了。
所以在实际工作中，人们动模型之前，会花大量时间检查和清理数据。数据有偏向，模型的判断也会有偏向，这个问题后面讲 AI 伦理时还会再谈。

挑选适合问题的特征

数据就算干净，还剩一件事要定：让模型看什么来判断。当作判断线索挑出来的值，叫特征。想想预测房价的问题吧。
房子的面积、位置、房间数，都和价格紧密相关。面积大、交通方便的地段，房价就高。可大门的颜色、建成那天是星期几呢？跟价格几乎毫无关系。这样无关的特征，反而会把判断搅浑。

挑选预测房价要用的特征。面积、位置这样相关的特征会提高准确度，大门颜色这样无关的特征反而会降低。

每挑对一个特征，准确度就上升；放进无关的特征，就下降。特征并不是越多越好：无关的特征一多，模型很容易连其中偶然的规律也背下来，造成过拟合。
要挑真正和问题相关的线索。像这样挑选、打磨特征的工作叫特征工程，很长一段时间里，它都是机器学习中最费工夫的一环。

好数据越多越好

材料干净、特征也对，接下来数量就重要了。例子只有几个的话，碰巧混进来的一两个特殊情况，就很容易把机器带偏。
例子一多，这种偶然就被淹没、变弱，经常出现的真正规律就清楚了。所以，干净的数据越多越靠得住。

点再多收集些数据。例子越多，偶然的晃动越平息，边界越稳，准确度也越高。

数据越多，边界越稳，准确度越高。数据少的时候，一个点就能让它摇晃；多了以后，晃动就平息了。
当然，光增加数量并不够。垃圾收集得再多，也还是垃圾。只有数据干净、不偏，越多越好这句话才成立。先讲质量，再讲数量。

小结

归纳起来是这样：机器只能学到我们给它的数据那么多。放进乱七八糟的东西，出来的也乱七八糟；给干净、均衡的材料，才学得对。要挑适合问题的特征，无关的线索反而碍事。
好数据越多越靠得住，但质量优先。好材料造就好 AI。

依次点要点回顾一下。（垃圾进，垃圾出 → 干净材料学得对 → 挑适合的特征 → 好数据越多越好）

现在你知道数据为什么那么重要了。人们常常想到更聪明的模型，可实际上决定结果的，往往是材料。
不过，有些数据，比如照片，很难由人来一一决定该挑哪些特征。几百万个像素里，哪些是“猫”的线索？神经网络怎样自己找出特征，下一课讲 CNN 时会说明。