不写代码，用图形界面搞机器学习：MIT发布“全球最快AutoML”
|
副标题[/!--empirenews.page--]
本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。 △ 来自《铁男》科幻剧情里，没有看过哪位大佬拿Python写代码。眼前净是蓝汪汪的全息画面，用手指拖几下，再点几下，就算出了结果。 “我夜观星象，算出你上班时间看P站。” (误) 回到现实，虽说是没有全息图，但不写代码、拖拖拽拽就能搞机器学习，这等美事已经达成了：
MIT和布朗大学联合开发了交互式数据科学系统，名字叫Northstar。 团队说，这是“全球最快的交互式AutoML工具”；除了速度，它生成模型的成绩，也已经在DARPA D3M AutoML比赛上超越了所有对手。 作为用户，你只要加载好数据集，再把想预测的目标，拖进一个预测器。几 (十) 秒的光景，系统便会帮你找出最适合的机器学习模型。 有位不愿透露姓名的评论员说：
即便不是数据科学家，也可以充分利用手上的数据，来分析各种行业的现实问题。 并且，这套系统支持多人协作，不管是用同一台设备还是多台设备。电脑、平板、交互式白板……各种设备已支持。
现在，Northstar在工业界和学界都有了用户，Adobe便是其中之一。 能做些什么？先拿医学研究人员举个栗子。 MIT在波士顿，那么就把整个波士顿的ICU患者健康信息全部投喂给Northstar。 加载完成之后，性别、年龄、BMI、有没有消化疾病、心脏衰竭等等，各种参数都会进入“属性 (Attributes) ”这一栏。
△ 滑动的部分，就是各种属性机器学习出场前可以先观察不同属性之间的联系。 比如，通常认为男性比女性更容易发生心脏衰竭 (Heart Failure) ，就来验证一下这个规律适不适用。 把“心衰”和“性别”两个属性拖出来，然后相连，发现女性的发病人数稍低。但把两个属性拖近彼此就会看到，按照比例计算，反而是女性比男性发病率高：
△ 拖到靠近的位置，就可以计算比例另外，还可以轻松观察多类疾病共存的概率。 比如，传染病、血液疾病和代谢疾病。 除了把三者相连之外，Northstar还有一种更简洁的工具，叫frequent itemset：
它可以把三类疾病的所有可能组合，概率全部计算出来：
最容易并发的是代谢疾病和血液疾病，而代谢疾病单独存在的概率是全部可能性里最高的。 这时候，再用“年龄”属性筛选出50岁以上的患者，代谢疾病的百分数飙升到了73%。 注：发现数据里，有很多患者年龄填了零，也可以一键清除他们，只留有效部分。 数据就观察到这里。 机器学习出场了
如果要预测某个患者有没有心脏衰竭，就从算法栏里拽出一个预测器 (Predictor) 。 然后把要预测的“心脏衰竭”，拖到预测器的“目标 (Target) ”里去。
这样，预测器的右边，便会产出一系列模型，每个模型的预测准确率都会显示出来。 模型生成完毕之后，可以选择一个成绩最好的模型，打开来仔细查看：
这个准确率92.25%的方案，一共有8个步骤。 现在可以把这个模型导出为Python脚本，今后可以手动优化，也可以直接投入使用。 除此之外，还可以看到各个不同参数的权重：
其中，对预测心衰最有帮助的是一个叫“heart_ischemic”的特征。 意思是心脏缺血，常常是伴随着心脏衰竭而生。 所以下一步，就把这个特征也扔进预测器的目标里。 这样的话，再生成的模型就不依靠这个症状来预测了。
还有，可以把自己选中模型的预测结果，和Ground Truth对比观察。 像上图这样直接拖进去，就会得出假阴和假阳的情况。 选中这两部分，把它们和“年龄“摆在一起，就知道AI在哪个年龄段的预测更容易出错。
这个模型的错误率，几乎是随时间线性增长。 到这里，一个栗子就讲完了。 可问题是，AutoML找出的模型一定是有效的么？ 并不，如果预测成绩看上去很迷，可能是因为属性栏里的数据集，并不是有用的预测工具。 但没关系，系统自带数据集搜索工具datamart，输入关键字，可以查找相关的数据集。
比如，输入“贫困 (Poverty) ”，就能看到美国各个县的人口数据。 有了这些数据，系统找出的贫困预测器，表现也会有所提升。 怎么做到的？Northstar的英勇体现在三个角度，一是速度，二是生成模型的质量，三是交互能力。 团队说，这是由系统的四个部分共同决定的 (第三部分高能) 。
第一部分叫Vizdom，就是前端，人类最直观感受到的部分，像一个没有边界的画板，可以在上面自在地发挥。 之所以自在，是因为背后有个强大的数据引擎： 第二部分叫IDEA，就是这个引擎。全称“交互式数据探索加速器“，可以理解成样本管理器。 它把内存分成三份，一是结果缓存 (Result Cache) ，二是样本存储 (Sample Store) ，三是索引 (Indexes) 。 当用户开始操作，IDEA就会从各种数据源吸取数据，推测性地 (Speculatively) 执行运算，然后把结果缓存下来，支援用户后面可能下达的指令。
同时，IDEA还会把所有传入的数据，缓存到“样本存储”的位置。如果没空间了，IDEA就开始更新缓存：用水塘抽样 (Reservoir Sampling)，给数据集生成一个代表性样本 (Representative Sample) ，就算数据流有偏差也是后面再处理： 要避免数据流的偏差 (Bias) 带来的影响，IDEA利用了许多数据库都有的采样算子，以及这些数据的随机偏移 (Random Offsets) 。 IDEA还可能把水塘样本分成几个分层 (Stratified) 的子样本，用来过度表示 (Overrepresent) 一个分布的尾端，或者用来创建专门的索引。 它所有的决定，都要根据用户过往和当下的操作不断优化： 比如，当用户把一个新属性拖进画布，系统就会分配更多资源到这个新属性上，为用户可能发出的请求提前做好准备。 另外，随着计算的进行，IDEA还会把精确度越来越高的结果，不断传输到前端，也包括这些结果的完整性和误差分析。 这样，即便用户任意发挥，系统也能快速待命，不论数据大小，不论数据类型。 第三部分叫Alpine Meadow，重中之重。 在IDEA准备好数据之后，就是它负责选出最适合的算法，最适合的超参数。 2013年，团队曾经开发出MLbase：用一种简单的声明式方法 (Declarative Way) ，来说明ML任务是什么 (但不发出具体指令) ；还提供一个新的优化器，选出一个学习算法，并且能够动态地适应当前的任务。 只不过，MLbase不是为了和人类交互而生的，调参常常要几小时。
所以，团队在此基础上一顿操作，获得了快速有效的Alpine Meadow： 先是证明了，把基于规则的优化 (Rule-Based Optimization) 方法，和多臂老虎机、贝叶斯优化以及元学习，巧妙结合在一个系统里，能有效找到最好的ML模型。 并设计了一个自适应的选择算法，通过对比训练集和验证集的误差，早期就可以剪掉 (Prune) 一些不靠谱的pipeline。这在训练实例的样本越来越大的情况下，有助于达到更高的效率。 结果是，Alpine Meadow广泛支持各类任务，多才多艺的程度，远远超过其他AutoML系统：
并且，它在从前没见过的数据集上，有80%的情况超越了作为基线的专家系统：
下面看速度。 绿色是Alpine Meadow找出第一个方案需要的时间。在成功的数据集数量相同的情况下，用时远低于其他算法：
方案在数据集上的相对排名，依然明显超过其他算法 (越低越好) ：
然后，是DARPA比赛的分数 (已Normalized) ：
截至目前，它已经超越了DARPA D3M AutoML比赛上的全部对手。 虽然，Alpine Meadow单打独斗也没有问题。但在这个四部分组成的系统里，还有最后一个部分： 第四部分是QUDE，它可以监控用户的每一个交互动作，对常见的错误和问题给出警告。 这些模块合在一起，才是完整的Northstar。 美中不足，现在似乎还没有个人用户的入口。 “全MIT最聪明的人”MIT和布朗大学组成的团队，已经在NorthStar上面耗时四年。
领队是Tim Kraska副教授，来自MIT赫赫有名的CSAIL实验室。 项目已经发射了许多篇论文，其中核心的Meadow Alpine论文，登上了SIGMOD ’19。
论文一作名叫尚泽远，也来自CSAIL，是Kraska的博士生。 少年的校园主页，域名瞩目：http://smartest.mit.edu/ 下方还有一行傲娇的说明：
Alpine Meadow论文传送门： NorthStar论文传送门： （编辑：核心网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
