第一幕
旁白：坎德拉仔细看了周启源发给他的那篇文章之后，总算完成了 Pycharm 的配置。这次，他再次联系到了周启源看，他有一个不情之请。
场景：微信聊天（坎德拉&周启源）
坎德拉：“我实在是不知道怎么说出口，但我们的团队，正在研究一个汉语言处理的项目。看了您的论文之后，也深深地被您这种创新、打破传统的做法和精神所折服。我很想推广您的见解，以及对汉语言处理的杰出贡献。但自己又很不甘心，会因为在编程这一块而夭折。”
“真的是非常抱歉，我也知道我的请求非常地让别人为难，但实在是没有办法。您的方法太好了，我们的团队，真心地期望您的方法能够广为宣传。因此，我们打算写一篇论文，发到IEEE上。但真的很遗憾，我们的团队暂时没有能力，来编程实现您在论文中，描述的方法。我们真的很不甘心，这个推广汉语言处理新方法的机会，从我们的指尖，悄悄流逝。”
“因此，能否请您，将您的代码借给我们一阅呢？我知道我的这种要求很无礼，如果您拒绝，我们也表示理解。谢谢了，真的很感谢您。”
周启源心想：开源之人，路见不平拔刀相助，更何况他如此低声下气地来求我。而且，他的目的，也很纯洁，就是想单纯地推广我的方法。如果能够让我的方法，造福更多的人，我很乐意去帮助他。
周启源：“哈哈，你不用这么客气的。大家都是同学，互相帮助是应该的。你打算写一篇什么样的论文呢？”
坎德拉：“嗯，就是泰迪杯第一问嘛，不是有一个文本分类问题吗？”
周启源：“是的”
坎德拉：“您的那种，用二元语法，将连续两个汉字弄成一个特征，然后用卡方检验过滤，再用词袋模型，转换为特征向量的方法，十分新颖”
周启源：“是啊，不仅新颖，而且效果也很好。我计算出来的 F1 值，测试集有 0.9 呢”
“不过，你要写论文的话，最好把我那种筛选模型的方法也写下去。我读过很过论文，无论是中国、还是外国，都有一个缺点。就是没有通过验证，就直接拿某个模型来使用。特别是汉语言处理这一块，前人发现，用贝叶斯分类器，解决英文的 NLP 很好。于是，人们就‘惯性’地用贝叶斯分类器，来解决汉 NLP，这是不对的”
“汉 NLP 与英 NLP 有很大差别。首先汉语要分词，关于如何分词，就众说纷纭了，此时其一。其二是汉语言的停用词，很难区分。所以，汉 NLP 其实是一个独立于英 NLP 的全新领域。这种惯性思维不应该存在”
“我在论文中，就有详细谈到。我用了网格寻优、交叉验证，从几乎所有的机器学习模型中，筛选出了最好四个模型：贝叶斯分类、SVC、逻辑回归、AdaBoost。然后结合实际应用，将 AdaBoost 排除，因为它太大、太慢了”
“其实，这个结果也意味着，传统观念，即贝叶斯分类器在 NLP 上有用，是不太正确的。SVC、逻辑回归照样能够有一个好结果，而且它们占用的空间也非常之小。小道足够嵌入到芯片中（也就是 SOC 技术）”
“可就是有这么一些人，特别是现在，脑子也不用，就直接‘神经网络’。我在那篇论文里，也用了神经网络，结果效果实在太差，而且运算量、占用的空间也很大。比之 Adaboost，可谓有过之而无不及。真不知道，其他论文里的那些结果数据，是怎么吹出来的”
“神经网络不是万能的，而且世界是进步的，不要故步自封，自欺欺人，这一点请你记住。以后如果成为一名数据分析师，希望能够常常记住我这一句话：flashy and rehearsed routine can not fit in with broken rhythm”
“假设我的帮助和理论，对你以后的发展有所帮助，那么也请希望你能够将心比心，将我的理念传授给他人。让更多的人，能够有这样的思维”
“这，就是我把代码交给你的唯一条件，你能接受吗？”
坎德拉：“当然，一定
”
周启源：“好，我的代码比较复杂，我先给代价加上一些必要的注释，再发给你。”
坎德拉：“嗯，谢谢了”
落幕
第二幕
旁白：网友兔子啦按照周启源的方法，给样本数量较少的类别，增加了大权重。然而，依旧效果并不好......
场景：QQ 聊天（兔子啦&周启源）
兔子啦：“我试了一下，用 SVC，调节了样本权重，但效果一般，准确率60%”
“唉呀算了算了，就这样了”
“反正社科类的又不可能跟科研的比”
周启源：“能交差就好[笑哭]”
“你们公司都用的 sklearn 吗？”
“好奇葩[冒汗]”
兔子啦：“他们用 R 语言，那个什么破服务器又不能连网，只有用 sklearn，也是奇葩。感觉 sklearn 的动不动就过拟合了。”
周启源：“sklearn 毕竟是别人写的，里面的算法，总是不合人意。如果能够自己写的话，就自己写吧。”
“用 sklearn 感觉我们就像搬砖头的，把一堆代码挪啊挪”
兔子啦：“而且参数设置也不太好设置”
“刚刚看了，估计 60%的准确率可能是因为 SVC 把所有的都预测成一类了[泪崩]”
“简直颠覆建模的三观”
周启源：[emmmm，挠屁股].JPG
“用欠采样或者过采样吧？”
兔子啦：“那个 imblearn 又下载不了，额滴神啊”
周启源：“自己写一个吧，我把 SMOTE 的原理发给你。”
（注：SMOTE 是过采样的一种）
兔子啦：“嗯，只能这样了[泪崩]”
旁白：过了大约两个小时......
兔子啦：“过采样管用，查全率大幅提升”
周启源：“哈哈，没错吧”
兔子啦：“smote 过采样，样本加权可以把 recall 弄得很高”
周启源：“很高就行了”
“case closed”
“congratulation！”
兔子啦：“OK，没有用交叉验证，可能有点不稳定，不过就这样了”
周启源：“对了，你觉得用回归的时候，效果不好，会不会是‘分布不均衡’啊？”
“你想啊，咱们把它当做分类问题处理后，会类别不均衡。而且就因为这个，才效果不好的”
“那么，在没有经过任何处理的时候，它是一个预测连续数值型因变量，也就是回归问题”
兔子啦：“嗯嗯，怎么了”
周启源：“所以我觉得，因变量呈现的分布不是均匀分布，这才导致了我们模型效果不好”
兔子啦：“听你这么说，有点道理”
周启源：“我给它取了一个名字，叫回归的‘分布不均衡问题’。我想，我们现在正在打开一个新的学科！如果真的查出来，‘分布不均衡问题’会影响模型的效果。那么，机器学习，甚至整个 AI 领域的知识，我想都会被这个发现，重新改写”
兔子啦：“emmmmm，有点意思。”
周启源：“你不打算将它还原为回归问题，再做一下吗？”
兔子啦：“哎，没时间了，项目要截止了，得过且过吧，而且甲方也说行了”
周启源：“好吧，我不难为你，你的数据集是从网上找的吗？方不方便把链接给我看看呢，我想研究一下，看看真的是不是‘分布不均衡问题’。说不定，我们将会成为新领域的看山鼻祖，写在教科书上”
兔子啦：“[呆滞]要是我把数据集给了你，明天就被请去喝茶了，吃皇粮了”
周启源：“啊，不是从网上找的么”
兔子啦：“公司项目啦，机密数据，连上网都没可能的”
“三令五申，天天耳边念，都听起茧子了”
“不是网上找的，网上找的就给你咯”
周启源：“哦，你之前说网上找的，我有点误会了”
兔子啦：“360度无死角全方位监控服务，想造个假都没可能”
周启源：“[出糗]好惨”
兔子啦：“好惨，回家还要被蹂躏”
周启源：“。。好辛苦”
兔子啦：“是啊，都上演白发魔女传了”
周启源：“搞 IT 的都不容易啊[哭]”
旁白：两人寒暄了之后，就各自分道扬镳了
周启源心想：哎，如果能够让我拿到数据，那么一个新的发现，就有可能诞生了。我不怪兔子啦，要怪就怪那些企业，那些公司，为什么把我们崇尚自由的 IT 人员，当成绵羊圈养？
“分布不均衡”，一想到一个新的理论，跟我失之交臂，我的心就像被针刺了一样。一个刚起步的学科，如果业内的人都故步自封，是很难进步的，很难！！
（长叹下）
落幕
