《表3 学习成绩预测的特征样例以及这些特征和成绩排名之间的关联程度》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《《为数据而生：大数据创新实践》提要》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

很多行业中的问题，都可以通过这种办法进行优化。大幅度提高原来的精准度，产生可观的经济价值。因为融合的方案往往是较为固定的，所以我们只需要维护特征库和模型库。而所有新的数据以及新的专家知识和专家系统，基本上都可以映射为对特征库和模型库的更新，包括对特征权重的修正。尽管专家知识和专家系统对于特征的选择和赋权以及模型的建立都有作用，但即便没有它们，仅仅通过一般化的特征学习和常用的机器学习模型，往往也能得到很不错的学习结果。这使得大规模数据下的机器学习可以看作具有一般化意义的解决方案。当我们想要发挥数据外部性的价值的时候，因为外部数据大多和业务本身关联较弱，专家的知识和专业性的分析很难应用，机器学习的三板斧就起到了大作用。尽管缺乏专业分析的三板斧往往无法直接带给我们深刻的洞见，但因为其精确性和稳定性，经常直接产生巨大的经济价值。