这些年来，我们的数据科学究竟发生了什么变化？

编者按：Kaggle是全球最大数据建模和数据分析竞赛平台，也是检验个人水平的最佳舞台。现如今，随着社会对机器学习人才的需求提高，在Kaggle上刷到过前5%、10%也成了应聘的一个硬指标。考虑到Kaggle的权威性和受欢迎度，这么多年来，这个平台的数据应该能体现整个数据科学领域的发展轨迹。

多年来，数据科学领域的许多趋势已经发生了改变。Kaggle，作为全球最大、最受欢迎的数据科学社区，记录着这些变化的演进状态。本文将使用Kaggle Meta Data逐一分析，看看这些年来，我们的数据科学究竟发生了什么变化？

1. 线性回归 vs logistic回归

线性回归与逻辑回归是机器学习中比较基础又很常用的内容，其中前者可以进行连续值预测，后者能被用于解决分类问题。所以我们先从它们开始，根据Kaggle论坛的帖子数对比这两种算法的热度趋势。

蓝：线性回归；橙：logistic回归

如上图所示，橙线大多数时间都在蓝线之上，用户这些年来似乎一直都更喜欢聊logistic回归。而宏观来看，两种算法的变化趋势几乎吻合，峰值重合度较高，虽然起伏明显，但这8年来，它们总体是呈上升趋势的。

那么logistic回归受欢迎的原因是什么？一个迹象表明，Kaggle上的分类问题远多于回归问题，其中一个代表是这些年来最受欢迎的泰坦尼克号生存预测竞赛。这是Kaggle上历史最“悠久”的竞赛之一，用户的讨论自然也很激烈。而最受欢迎的回归问题则是房价预测，但人们通常会在完成泰坦尼克号之后再考虑这个问题。

在2017年10月和2018年3月，Kaggle论坛上关于logistic回归的讨论量大幅增加。对此，一个可能的解释是平台上出现的新竞赛——恶意评论分类。当时一些团队分享了不少和分类模型相关的高质量经验，其中就包括logistic回归。

2. XgBoost的霸主地位

蓝：决策树；橙：随机森林；绿：XgBoost；红：LightGBM；紫：CatBoost

在2014年以前，线性模型、决策树和随机森林的讨论量虽然不多，但它们占据绝对话语权。2014年，时为华盛顿大学博士的陈天奇开源XgBoost算法，受到大众追捧，之后它也迅速成了Kaggle竞赛中的常客。时至今日，XgBoost在竞赛中的使用率还是很高，性能也很好，不少夺冠方案中都有它的身影。

但是，根据曲线我们可以注意到，自从2016年LightGBM被提出后，XgBoost的讨论量出现了一定程度的下降，而LightGBM却一路水涨船高。可以预见，在学界开源更好的模型前，这个算法将在未来几年占据主导地位。现在LightGBM也已经出现在不少竞赛中，比如Porto Seguro的安全驾驶预测，它的优点是比XgBoost实现速度更快、更简单。

除了这些算法，图中“最年轻”的CatBoost也有走红的趋势。

3. 神经网络和深度学习的趋势

蓝：神经网络；橙：深度学习

几十年来，神经网络在学界和工业界一直不温不火，但如上图所示，随着大型数据集的出现和计算机算力的大幅提升，近几年这种趋势已经发生了变化。

从2014年起，我们相继迎来了theano、tensorflow、keras，与此同时，一个名为深度学习的时代也渐渐出现在世人视野里。在Kaggle上，用户发表的有关深度学习的帖子数不断上升，并最终超过神经网络。此外，诸如亚马逊、谷歌等的云服务提供商也正拥抱新技术，以更加积极的姿态展示在云上训练深层神经网络的能力。

深度学习模型是Kaggle竞赛中的新星，目前它已经在图像分类、文本分类竞赛中崭露头角，比如Data Science Bowl、Quora重复问题分类等。而伴随RNN、CNN的不断改进，深度学习的流行趋势似乎已经势不可挡。此外，一些尝试已经证实，迁移学习和预训练模型在竞赛中能够表现出色。

这种技术让人们看到了可能性。为了让用户从实践中学到更多知识，Kaggle可以推出更多和图像分类建模相关的比赛，但以当前的情况看，现在限制用户大规模使用深度学习的是它的算力要求。但这种问题是可以被解决的。Kaggle已经添加GPU支持，未来，相信尝试深度学习的用户会越来越多。

4. Kaggle上流行的ML工具

蓝：Scikit；橙：Tensorflow；绿：Keras；红：Pytorch

在2015年以前，如果一个数据科学家想构建机器学习模型，Scikit Learn是他唯一可以选择的库；2015年后，这种局面发生了改变，作为ML生态的一部分，谷歌开源软件库Tensorflow，并让它迅速在全球范围内普及。

但是Tensorflow也存在缺点，就是它比较难学，因此虽然用户非常多，但在Kaggle这个竞赛平台上，大多数用户还是倾向于选择更灵活、更简单的Keras。毕竟究其本质，Keras可以被看作是Tensorflow封装后的一个API。

5. XgBoost vs Keras

蓝：XgBoost；橙：Keras

既然Keras是深度学习框架，我们可以把它看做深层神经网络的间接代表。

XgBoost与深度学习孰优孰劣？这是去年Quora上吵翻天的一个问题。而从Kaggle的数据看，前者一直处于领先地位，而后者也在奋力追赶。相比复杂、层多的神经网络，XgBoost的优点是更快，对硬件要求更低，因此也更受普通用户欢迎。

但这个结果并不代表优劣，拿陈天奇博士自己的话说，就是：

不同的机器学习模型适用于不同类型的任务。深层神经网络通过对时空位置建模，能够很好地捕获图像、语音、文本等高维数据。而基于树模型的XGBoost则能很好地处理表格数据，同时还拥有一些深层神经网络所没有的特性（如：模型的可解释性、输入数据的不变性、更易于调参等）。

6. 可视化工具比拼

蓝：Matplotlib；橙：Seaborn；绿：Plotly

从2017年起，Plotly就像开了挂一样一路走红，现在已经成为Kaggle用户最常用的可视化工具。排名第二的是Seaborn，它实际上是在Matplotlib的基础上进行了更高级的API封装，生成的图更好看，而作为补充，Matplotlib的图更有特色。

7. 数据科学过程步骤比拼

蓝：Exploration；橙：特征工程；绿：调参；红：集成

在上图中，最受Kaggle用户关注的是模型的集成。参加竞赛时，虽然最后提交的是一个模型，但参赛者会先训练若干个弱模型，最后再用集成方法进行整合堆叠。这种做法在回归和分类任务中非常常见。

至于同样倍受瞩目Exploration，近期，无数数据科学家已经一遍遍强调了探索性数据分析（EDA）的重要性，而他们的呼吁起到了效果。如果我们没法确保数据的可靠性，最后的模型很可能会出问题。

但对于这个结果，有些人可能会感到意外。因为如果想在竞赛中取得好名次，调参和模型微调肯定必不可少，但这两个时间、精力消耗的“大户”的排名却不高。所以我们应该牢记，虽然集成是建模过程的最后一步，但我们应该在特征工程和模型调整上投入相当长的时间。

最为人津津乐道的子平台

蓝：数据集；橙：Kernel；绿：竞赛；红：Learn

既然Kaggle是个数据科学竞赛平台，用户们讨论的内容自然是参加什么竞赛，用了什么数据集，并分享看到的实用代码。而根据上图的曲线，自从2016年推出后，代码Kernel的受欢迎度一路飙升，毕竟用户们可以在上面看到其他参赛者自愿公开的模型代码，这对于学习和交流来说是不可多得的优质资源。

此外，Kaggle还推出了课程子平台Kaggle Learn，虽然目前在讨论度上不及数据集、Kernel和竞赛，但这些课程主要面向初学者。未来，随着课程内容的丰富和新手人数的增加，这个板块的流行指日可待。