P3-1.3 数据问题要怎么写，问题结构才会先于模型显现出来¶

Section ID: P3-1.3 Version: v2026.07.20

一个好的数据问题，首先应该让人看见 什么算一条案例、什么和什么比较、最终想知道什么。只有在模型名或技术名之前，先把这种问题结构立起来，后面的样本单位、表结构、特征、基准线、输出结构才会一起跟着定下来。尤其是，先挑出人要优先看的对象的问题，应该能自然通向 review queue；而先定义以后要预测什么结果的问题，则应该通向 target candidate。相反，不好的问题往往只有模型名字，却把样本单位和比较基准留空了。

还是太早的说法	更好的数据问题
我们来做异常检测模型	最近一次动作是不是比平时动作更不稳定？
我们把它做成分类问题	哪一次动作应该由人先看？
我们用时序深度学习	能不能先决定：原始时序到底该按一次动作输入来读，还是按最近区段打包来读？
我们提高准确率	现在要做出来的结果，到底是复核候选还是预测标签，已经区分开了吗？

这张表重要，不是因为目标是把 问题写得更漂亮。而是因为问题句一变，紧接着后面的样本、表、特征、基准线、输出结构也会跟着一起变。

问题句里必须出现的三样东西¶

在 Part 3 的前段，数据问题不需要一开始就写得非常复杂。先看清下面三样东西有没有出现，就已经够用了。

什么算一条案例
想知道什么
比较基准或结果形式是什么

把这三点压成表，就是下面这样。

问题要素	为什么需要它
样本单位	因为必须先决定一行到底表示什么
想知道的内容	因为它会决定特征和比较结构朝什么方向设计
比较基准或结果形式	因为这会决定需要的是基准线、复核候选，还是目标标签候选

例如，最近的动作异常吗？ 这种句子还是太宽。只有把它写成 把一次动作看成一条案例时，最近 20 次是否比平时 200 次更摇晃？，比较单位和基准线结构才会真正一起开始显现出来。

怎么把问题改写成更好的形式¶

一开始，与其一次就写出完整问题，通常更容易的做法，是把太宽的句子一层一层改写。

脑子里最先冒出来的话	第一次改写	第二次改写
我想抓异常	我想知道哪些动作该先看	我想以一次动作为一条案例，从最近区段里先挑出应该由人优先复核的案例
我想预测结果	我想先定清楚以后到底想预测什么结果	我想看看能不能从按动作汇总的特征表里构造出 `review_needed` 这样的结果候选
我想试试深度学习	我想先决定要不要直接使用原始时序	我想先决定：按动作汇总的摘要向量，还是最近时序区段的打包输入，更像是自然的输入结构

所以，改写问题并不是修饰句子，而是在一步步把问题结构显露出来。

好问题和还太早的问题¶

下面的对比，直接展示了 Part 3 里尤其常见的一种混淆。

问题类型	为什么它还太早，或者为什么它更好
`什么模型能提高准确率？`	如果标签和样本单位都还没有，这就太早了
`这一次动作的后段下降，是否比平时动作更大？`	这样更好，因为样本单位和比较基准都已经露出来了
`深度学习能解决吗？`	这太宽了，因为输入结构和目标结构都还是空的
`能不能把原始时序切成按动作计的单位，并改造成可比较的输入？`	它会立刻迫使你把样本单位和输入结构先定下来

这里重要的不是 好问题 一定得很短，而是它必须带着后续设计所需的线索。

用一个小图来看¶

同一个场景，问题写法不同，就会把 Part 3 后面的流程带向完全不同的方向。

问题句	紧接着会进入的下一步
最近一次动作是不是比平时更摇晃？	把样本单位定成一次动作，并做摘要表
最近 20 次和此前 200 次相比是不是变了？	做聚合表和基准线比较结构
哪些动作应该先由人来检查？	做复核候选队列和输出结构
能不能定义出以后要预测的结果候选？	把目标候选和输入特征表分开

也就是说，一个问题本身就会立刻决定下一章的方向。这个例子里重要的不是代码执行，而是对应关系本身。问题一变，后面要接的表结构也会一起变，所以就算源数据完全一样，读者脑中首先该画出的下一张表也会跟着不同。

flowchart TD
    A[问题：单次事件对比基线？] --> A1[下一步：单事件汇总表]
    B[问题：最近 20 次对比前 200 次？] --> B1[下一步：聚合与基线表]
    C[问题：哪些案例需要优先复核？] --> C1[下一步：复核队列与输出结构]
    D[问题：能否定义未来目标？] --> D1[下一步：目标候选与特征表]

如果问题本身就是模糊的，那么 到底要重建哪一张表 也会一直停留在抽象层面。所以，改写数据问题并不是额外的句子润色，而是决定要通过什么样本和表结构重新读取存量数据的起点。问题一旦写得更好，为什么样本和基准线要先定，也会跟着变得直接得多。再往大一点看，好的数据问题并不只是一个句子写法，它是一个一次性固定 对象单位、想得到的结果、比较或产出结构 的问题定义装置。换句话说，好的数据问题不是 一句写得漂亮的话，而是决定后续表结构和比较结构的最小设计句。

来源与参考资料¶

Google for Developers, Machine Learning Glossary 中的 labeled example、label、label leakage。它说明 example 和 label 的结合单位必须先定下来，因此支持本节的判断：数据问题里应当同时露出样本单位和结果结构。 https://developers.google.com/machine-learning/glossary / 确认日期: 2026-07-20
U.S. Bureau of Labor Statistics, Base period. 它提供了“用于比较的参考区段”这一一般概念，因此强化了这样的说明：好的数据问题也应该一起显露 什么和什么在比较。 https://www.bls.gov/bls/glossary.htm / 确认日期: 2026-07-20
Usama M. Fayyad, Gregory Piatetsky-Shapiro, Padhraic Smyth, From Data Mining to Knowledge Discovery in Databases. 它说明了问题定义与数据准备并不分离的更大知识发现流程，因此成为这个判断的一般背景：数据问题就是打开后续表结构和比较结构的起点。 https://www.kdnuggets.com/gpspubs/aimag-kdd-overview-1996-Fayyad.pdf / 确认日期: 2026-07-20