文科生用机器学习做论文，该写些什么？
从“价值、必要、讨论和工具”这四个角度，把一些容易踩的坑提示给你，助你顺利完成研究论文撰写。
挫折
我的一个三年级研究生，最近比较焦虑。
焦虑的原因，是预答辩的效果不理想。
最重要的原因，你肯定能猜到，是他拖延症犯了。不到最后一刻，也不肯交出初稿，说要继续修改（其实是一直没写完）。最后一行字刚落笔，就直接去预答辩了。装备都没配齐全，就冲入了枪林弹雨的战场，后果可想而知。
但是，他的焦虑，目前主要来自于另外一个方面，就是面对批评意见，一时有些懵。
我在文中不止一次描述过这种“文科生”——没有IT技术背景，本科专业属于文科类，硕士毕业论文用技术手段解决应用问题。
他的研究中，就使用了机器学习中的监督式方法，对社交媒体文本是否包含隐私内容，进行了分类训练。在验证集上，准确率和F1分数，都为60%多。
这几年，他在我的鼓励下，不断学习数据科学相关教程。
他看到了自己的进步，信心越来越强。从前认为永远无法企及的机器学习方法，现在会用了；从前面对数据无从下手，想不到解决思路，现在水到渠成。而且因为学习MOOC，英文和数学能力也有了提升。所以，预答辩之前，他对自己论文的评价预期很高。
他没有想到，自己的论文居然存在这么多的严重问题。一时感到很是沮丧和挫折。
我把老师们给他提出的意见，在这里列出来：
你使用了机器学习的方法，但只是调用了已经标准化的工具（scikit-learn）而已。文中对工具本身和使用方法做了过于细致的描述，却并没有体现出自己的技术改进；
你对机器学习的使用，满足于做出一个分类的结果，就如同做了一个项目作业一样，缺乏深入的讨论；
你的分类效果，只有60%多的准确率，远不及人工水平。这样的结果，是否有价值？
你的流程参考了一篇英文文献对Twitter文本的隐私分类。人家已经探索了，在英文文本上自然语言处理可以分类隐私曝露程度。那你这份研究，无非是从英文换成了中文而已，是否还有必要性？
老师们的说法，是委婉而克制的。我翻译了一下，就是说这篇论文“工具化、缺讨论、无价值、没必要”。
现在，你明白为什么他要焦虑了吧？
这样下去，连毕业都堪忧。
对于拖延，他很愧疚。给我写了一份长长的检查，读来还算实事求是。
亡羊补牢，为时未晚。
我于是帮他分析了目前存在的问题，以及对应的修改策略。下文我会一并分享给你。
你可能会奇怪——老师，这东西针对你学生问题写的，为什么要分享出来呢？
因为自从我开始在网上写数据科学教程以来，收获了许多读者的反馈。从这些反馈中，我看到了来自许多专业的同学，特别是那些“文科生”，都在努力掌握机器学习方法，并且应用到自己的研究，甚至是毕业论文中。
而与此同时，从指导研究生，参加开题答辩、学术论坛，以及给期刊审稿的过程里，我也发现，许多这样应用了数据科学，特别是机器学习方法的研究，做出来的结果，也多会存在同类问题，让人有类似的质疑。
很多时候，问题并非来自于研究本身缺乏价值。而在于作者在写作的过程中，抓不住重点，不知道应该着重汇报和讨论哪些东西，导致了很多的误解。
如果你也有计划，把机器学习应用在自己的研究论文里，我觉得后面的内容，可能会对你有帮助。
下面针对他论文里面存在的问题，我分别谈以下4个方面：
价值
必要
讨论
工具
细心的你，一定注意到了，咱们这里的内容，和老师们提出问题是相呼应的，但是顺序并不一致。
为什么呢？
希望读完全文之后，你能自己体悟到这个顺序的意义。
价值
咱们先说说价值。
研究价值，是一篇论文的灵魂。文字写得再精妙，如果没有研究价值，也不值得做。
更为详细的论述，请你参考我那篇《什么样的开题报告会被毙掉？》。
这里涉及到一个具体的价值评判标准问题：如果机器分类效果，比不上人工水平，那么值不值得做？
直觉会第一时间告诉你——不值得啊！既然人可以做得更好，就让人做呗。只有机器性能超越了人类，研究成果才值得发表嘛！
但是，仔细想想看，这种论断，不仅和学术界的共识不同，也违背你的常识。
你叫来一个人，让他分辨一张照片是猫还是狗。他会觉得小菜一碟，准确率也会很高。
反之，你让机器来判别猫和狗。即便是目前最尖端的计算机视觉技术，也会出现在人类看来，非常显而易见的疏漏。
你可能会因此对机器的“智能”嗤之以鼻。
且慢。
刚才的情境，只是去分辨一张照片。对吧？
十张八张呢？似乎也没问题啊。
可假如，你让这个人分辨一千万张照片呢？
他扭头就跑了，对不对？
因为这个任务，不仅繁重，而且枯燥，机会成本太高。
有做这件事的时间，他可以做很多更有意义和趣味的活动。
机器的好处，这时候就体现出来了。它任劳任怨，不知疲惫，运算速度还快。可以帮我们在很短的时间内，完成成千上万张照片的分辨结果。
你说分析这么多张照片，真的有用吗？
当然有。往远了说，你可以看看电影《少数派报告》，了解一下大规模图片分析的前景。往近了说，你可以回顾一下新闻，看看那些过马路闯红灯的行人，是如何立即连同个人信息，被展示在大屏幕上的。
这就是人和机器的区别。我们懒，我们喜欢精彩，不喜欢重复。发明机器，让它们替我们做自己不愿意从事的工作。哪怕机器做的，不如自己做得好，我们也能忍受。或者说，也得选择忍受。
你现在做的这个研究，是通过机器学习的方法，来辅助用户判断，他即将发布的信息是否包含隐私，并且进行提醒，防患于未然。
一个主流社交媒体平台，每天要有多少人发信息？每一条信息都让人来帮你判断是否包含隐私，来得及吗？靠谱吗？谁又能来支付这么庞大的成本？
而且，你立即想到了一个更大的不妥吧。
对，你要发布的内容，如果包含了隐私，却已经被平台雇佣的审核人员一览无余，预先看了去。那还何谈隐私保护呢？
所以你看，这个任务，交给计算机来做，比交给人来做，靠谱许多。
因此，在你的研究中，把分类效果与人工水准进行对比，没有必要，也没有道理。
但是人工分类水准却不可不提，它应该出现在你的数据标注环节。
监督学习是需要训练数据的，即数据要有标签。这些标签，是人打上去的。人标注的准确率，直接关系到你的数据质量。马虎不得。
你训练的模型，分类效果如果不跟人比，那跟谁比呢？
跟别人的模型比吗？
要对比别人的模型，前提有两个：
别人的模型已存在
你的模型效果优于别人的
假设别人的模型，准确率做到了70%，那么你即便做到69%，也别写了。因为没有价值。
但是，每一个学科领域，甚至是具体的研究问题，如果要应用机器学习监督分类，都会有第一篇文献，对吧？这可算作是探索性研究。
这样的研究，该跟谁去比呢？
通例是，跟一个空模型(null model)去对比。
什么是空模型？
还记得许多教科书里面，告诉你对数据要做平衡分类吗？就是二元分类任务，训练集和测试集里面，都是50%猫，50%狗。
你可能一直约定俗成也这样做。但是为什么？
现在原因就呼之欲出了。
这么做，你可以很容易构造空模型。
所谓空模型，就是在猫狗分类中，不分青红皂白，也不去分析图片特征，把所有的样本都猜测成“猫”（或者全都猜成“狗”）。这就是一本正经地乱猜。
想想看，这样的空模型，准确率是多少？
当然一定是50%了。不会更高，却也不会更低。稳定得很啊。这个数值，也称作随机基线准确率（Random Baseline Accuracy）。
好了，你就跟它比。
只要比空模型好，就意味着你的模型存在意义，因为看起来，它从样本的特征中把握到了有用的信息，比瞎猜强。
注意，这里你要通过完整的规范论述流程，排除随机性的影响。后文会有详细说明。
看到没有，只要你的模型，是这个细分领域中的第一个，那你就不需要跟别人的模型，锱铢毫厘去争短长。
这也是为什么，我一直对你的拖延症有意见。
科研活动不是一次散步，可以让你从容游览把玩。它是一场赛跑。跑到第一个，你只需要跟空模型比。你的研究，会被赋予开创性、探索性的标签。而且很有可能，因为这种先发优势，被后续许多研究引用，让你获得与自己的实际投入并不相称的学术声誉。这是典型的“低垂果实”，也叫做“甜买卖”。
而一旦跑慢了，成了第二名进入者。那不好意思，你就只能沦落到和别人去比了。如果你研究的，是一个很有价值的问题，那即便你拼尽全力，让自己的结果短暂领先。人们也几乎可以断言，你很快就会被后来者超越和淹没。而且这些后来者会不会记得引用你的成果？难说。
你做的到底是开创性，还是探索性研究？
这个问题，只有你自己才能回答。因为你系统梳理过文献啊。在中文社交媒体文本上进行隐私分类，别人做过了吗？
你当时告诉我说，没有。
我相信你，认为你说的是事实。
然而，我必须提醒你注意，事实是在不断变化的。
一年前，你开题的时候，没人做；并不代表一年后的今天，也没人做。所以，你得不断跟踪研究进展。万一很不妙，因为你手慢，已经有人做了。那你的研究，就不是探索性研究了。和空模型对比，就不再合适。你必须转而正面迎战，和别人的结果去对比。想尽一切办法提升模型效果，形成竞争优势。
如果遇到这种情况，你大概会叹息自己的运气糟糕。但是，那也是没有办法的事。谁让你拖延呢？你不该做的，是“选择性失明”，假装视而不见。要知道掩耳盗铃，可是大错特错，直接会影响别人对你学术品德的判断。
必要
因为被批评后信心不足，于是你开始怀疑自己。你说虽然自己做的是中文文本隐私分类，之前文献回顾中，没见到有人做。但是英文文本隐私分类不仅有人做过，而且你还参考了人家的流程步骤。那么自己的研究是否有必要性？
如果你在这一点上，质疑自己的研究，我只能说，你对机器学习的本质，还没有充分领悟。你对数据分类的理解，还停留在 software 1.0 阶段。
什么叫做 software 1.0 ？这是 Andrej Karpathy 提出的概念。
解决一个问题，software 1.0的手段，是人来设计算法，机器照章执行。
所以，它即便再高妙，也不可能超越人的思维局限。它的复杂度，也就到那儿了。
例如前几天有个刷屏的游戏，据说是中文系毕业的人做的。因为程序员跑路，这位仁兄不得不亲自上阵。因为缺乏算法基础知识，所以他自己手写了几十万个 if 语句。这样居然还没有 bug ！听起来非常励志。
励志归励志，但是所有 software 1.0 程序的复杂度，和基于机器学习的 software 2.0 一比，差距高下立判。
software 2.0的定义，是以不断积累的数据作为约束，在算法空间搜寻，利用优化器，自动构建软件模型。
这么说有些抽象，给你举个例子。
曾经，人造出来的下棋程序，根本打不过人类顶尖高手。
然而，一旦用上了机器学习，围棋大师也只好黯然神伤。
因为机器是自己从数据中尝试挖掘规律，自己构造模型。这样，它可以通过大规模增长见识，迅速提升表现，甚至是超越人类。因为“人为设定算法”这个玻璃天花板，已经被悄悄移除了。
因此，对于机器学习来说，你用的模型越复杂，就越需要高质量、大规模的数据支持。
听明白我在说什么了吧？
数据的地位，空前提高。特别是那些大规模标注数据。
你做这个研究的时候，有现成数据吗？
没有吧。
虽然社交媒体的数据，可以通过爬虫来便捷获取。但是对这些数据的分类标注，才是重点。
你组织人力，付出时间和经济成本，才获取了有标注的数据集合。这个过程中，你实际上已经解决了很多问题。
例如说，怎么把数据标注样本进行拆分，让若干标注者有序并行工作？怎么把任务描述得清晰无歧义，让个体的标注具备稳定性和一致性？标注结果该如何取信，如何评估，如何验证？什么才算做足够多的数据？……
对机器学习来说，如此重要的环节和内容，被你一笔带过。仿佛你用的，不过又是一个别人早已采集、清理和发布的公共数据集而已。因此，读者误解你的实际工作，把全部注意力，放到你模型的准确率评判上面。
你这么写论文，就叫做暴殄天物。
要知道，现在有的期刊，已经可以刊载“数据论文”了。你构造了一个好的数据集，本身就可以看做科研成果。是可以跟研究论文获得同等贡献对待，也是可以被引用的。
例如上图这篇论文中，3位作者利用 Zalando 图像数据库，构建了一个机器视觉分类的数据集 Fashion-MNIST，并公开发布。论文发表1年，已经被引用了154次。
另外，你真的只是构建了一个数据集而已吗？
然后，你就拿着那篇英文文献的方法，开心地套用到这个中文文本数据集了？
开玩笑！
你不用分词吗？你不需要构建和迭代停用词表吗？你不需要选择模型结构吗？
该重点写的，研究里面的独特内容和实际工作，你都不好好写。不该写的，你反倒写了个不亦乐乎。说你不会讨论，不冤枉吧？
讨论
我之前为你写的教程，很多都会结束在“做出结果”。我给你推荐的 Coursera 平台的 MOOC 里面，项目作业也只会要求到这一步。
这没有错啊。教程的目的，是让你会用方法和工具。
但是不要忘了，你现在撰写的，不是教程，也不是作业，而是论文。
什么是论文？
它是你和学术共同体沟通的信息单元，反映的是你做的研究。写作的目的，是让他人相信和接受你的研究。
论文要被别人接受和采信，得靠能自圆其说。
你提出了一个问题，找到了数据，应用了方法，做出了结果。但是结果本身，是不是能够让人信服，说你解决了问题呢？
这可不一定。即便你的结果很显著，也不一定。做到这一步，只能叫做演示。
因为这个世界上，存在着一种叫做小概率事件的东西。中彩票头奖概率很低，但时常也有人会中。俗话说得好，谁家过年不吃顿饺子？
所以你写论文的时候，脑子中时刻要有一根弦儿，就是得说服别人，你的模型达到这种效果，不是巧合。
查科同学前几天在咱们团队群里，分享了一篇自然语言处理最新进展的论文。我希望你认真读一下，看看该文的作者，是如何讨论结果的。
仅从结果来看，模型效果已经是非常显著了。因为按照表格中数据对比，这种模型，已经超越了人工水平。
然而，你会看到作者是在非常认真细致地讨论这种结果取得的途径。他尝试了各种排列组合，在多个数据集上进行了对比……最终，读者会被说服，这个模型确实由于设计的精妙，达到了目前最高水准（state of the art）。
别误会，我不是让你照搬该论文的讨论流程和叙述方式。因为人家就是在跟别人的模型比；而你，是在跟空模型比较。
而你做出来结果之后，其实是在乱比较。居然用随机森林和决策树模型，对比效果。
你讨论的重点该是什么呢？并不是你的模型最优（不论是决策树，还是随机森林这模型，都不是你提出的），或者你的工具最好（scikit-learn的研发你也没有参与），而是机器学习方法，适合于解决中文文本隐私分类问题。
你不觉得很奇怪吗？随机森林模型的效果，在大多数情形下，就应该优于决策树模型。那在咱们讨论分类模型选择的时候，为什么二者都保留了下来呢？
因为你不应满足于演示模型分类效果优于空模型，关键是说服读者，这种优势不是随机获得的。
怎么办呢？
我在《如何有效沟通你的机器学习结果？》一文中给你讲过，可视化是一种非常好的结果沟通手段。而在《贷还是不贷：如何用Python和机器学习帮你决策？》一文中，我曾经给你展示过，决策树模型的一大优势，就是可以做出这样的可视化图形：
想想看，你用的方法，是基于关键词的特征。那么如果能够描绘决策判断过程中，哪些词会导向隐私分类结果，哪些词能导向非隐私分类结果，是不是就可以帮助读者了解，你的模型是否真正抓住了自然语言中蕴含的信息表征（representation）？
另外，演示了一个决策树可视化图形，你又觉得完事大吉，不知道后面该讨论什么了？
注意，模型自身算法并不重要。重要的是，它是怎么被训练出来的。
莫非你对于每个分类模型，都满足于直接调用默认参数了？
有没有进行超参数（hyper parameter）的调整？
有没有遇到过拟合（over-fitting）或者欠拟合的（under-fitting）问题？你是如何处理的？
有没有继续采集更多数据？有没有尝试更换不同模型结构？
优化器（optimizer）你是如何选取的，为什么？
学习速率（learning rate）你是怎么设定的？会不会导致模型学习太慢？或是难以收敛？亦或陷落到局部最优中，难以自拔？
你在特征工程（feature engineering）上做了哪些努力？要知道，你做的并不是深度学习，所以特征的有效提取和转化，是非常必要的。
如果你把上图的例子都忘了，请务必复习回顾我在《如何用机器学习处理二元分类任务？》为你做的详细解读和说明。
工具
虽然我一直鼓励你学习机器学习和深度学习这样的方法，用好 Keras 和 scikit-learn这样的优秀框架工具。但是你真的不应该因为掌握了它们，而沾沾自喜。现在看你的论文，就弥散着这种味道。似乎你会用机器学习，所以很了不起。
这种骄傲的态度，也会让读者和评阅专家反感。
说句让你不那么开心的话——你能够如此快速地掌握和应用这些前沿技术，主要是因为门槛越来越低。
以图像处理为例。2012年以前，如果你要让计算机对猫狗照片分类，并且获得很高的准确率，几乎所有前沿学者都会告诉你：
那是不可能的！
因为他们用的方法，是手工提取特征。然后再让机器，对手工提取后的特征，进行分类操作。
上图来自这里。它介绍了手工特征提取的不足。不难看到，为了给“熊猫”图片有效提取特征，你需要考虑多少种情况。特别是看到熊猫打滚的时候，你会有怒火中烧的感觉，恨不得勒令它保持一个姿势，不要动。
因此，当时的分类算法，特别“劳动密集型”。如果你想在国际大赛中取得佳绩，真是得“一分耕耘，一分收获”。
可是现在呢？
假如你用 fast.ai 深度学习框架，进行猫狗分类，那你根本不需要考虑任何特征提取的问题。写以下几行代码就可以了：
from fastai import *
from fastai.vision import *
from fastai.docs import *
untar_data(DOGS_PATH)
data = image_data_from_folder(DOGS_PATH, ds_tfms=get_transforms(), tfms=imagenet_norm, size=224)
img,label = data.valid_ds[-1]
learn = ConvLearner(data, tvm.resnet34, metrics=accuracy)
learn.fit_one_cycle(1)
好了，从数据获取，到模型构建，甚至是结果分析，全都做完了。
这几行代码构建的模型，能有多高的准确率呢？
答案是这样的：
对，你没看错，即便是这几行代码，只把数据跑了一个来回（epoch），猫狗分类准确率就已经超过 99% 了。
正是 Scikit-learn, Tensorflow, Keras, fast.ai 这样的开源框架不断涌现，大批优质教程扩散传播，机器学习才能在几年的时间里，从高不可攀的“秘密武器”，变成了每个人触手可及的研究工具。
你要明白，能让你这么简单使用如此强大的工具，是千千万万人协作的结果。而你，是这一张协作网络中的一份子。
你应用机器学习工具，做有意义的研究，就是在给这张网络做出回馈。
尝试扩大机器学习的应用领域，让更多的人意识到新工具的特点和功能，并且一起来学习使用它。这些，都会给你论文的意义和价值加分。
既然没有门槛，大家都能用，那你这么强调它干嘛？
我在《如何选研究题目？》一文中，也给你谈到了信息科学界一流学者的共识，即千万不要工具导向。
当你手里只有一把锤子的时候，看什么都像钉子。但是当你拥有丰富的工具箱时，你会实事求是，用合适的工具处理对应的问题。
时刻记住，你的研究，无论如何应该是从问题出发的。机器学习恰好适合解决这个问题，那就用它。否则，该用什么适合的方法，就用什么。
小结
针对预答辩的反馈意见，我从“价值、必要、讨论和工具”这四个角度，帮你分析了论文中问题产生的原因，以及具体的对策。
小结一下，就是：
首先，一定要把握价值。根据研究的特殊性，选择合适的评价体系，加以合理阐释；
其次，说明必要性的时候，一定要了解机器学习和传统算法解决问题的本质差异。尤其是不要忽视数据这个重要维度；
第三，论文不是演示，不能缺乏讨论。通过读文献，掌握讨论、比较的具体方法，利用可视化的方法提升证据说服力，要着重强调模型是如何被训练出来的，而不是模型自身的算法；
第四，千万不要踩进“工具导向”的坑。要看清楚简单易用的机器学习框架背后，这个巨大的、快速进化的协作网络。既要随时跟踪最新进展，站在巨人肩膀上前进，又要时刻告诫自己不要高估自己个体的作用。
另外，就是我希望你也能够通过自己的研究，给学术界和机器学习技术社区以正向反馈。
写得内容有点儿多，希望你能认真读完。抓紧时间修改完善论文吧，力争顺利毕业。
喜欢请点赞和打赏。还可以微信关注和置顶我的公众号“玉树芝兰”(nkwangshuyi)。
如果你对 Python 与数据科学感兴趣，不妨阅读我的系列教程索引贴《如何高效入门数据科学？》，里面还有更多的有趣问题及解法。
如果你有疑问，欢迎进入知识星球上咱们的专属社区。