采样简介
为机器学习项目收集足够的数据通常很困难。但是，有时数据太多，您必须选择一个示例样本进行训练。
如何选择该子集？以 Google 搜索为例。您会在什么样的粒度下对其庞大的数据进行采样？您是否会使用随机查询？随机会话？随机用户？
归根结底，答案取决于以下问题：我们要预测哪些内容？我们想要哪些特征？
- 如需使用上一次查询功能，您需要在会话级进行采样，因为会话包含一系列查询。
- 如需使用过去几天的用户行为功能，您需要在用户层级进行采样。
针对个人身份信息的过滤（个人身份信息）
如果您的数据包含个人身份信息（个人身份信息），您可能需要将其从数据中过滤掉。例如，某项政策可能要求您移除不常使用的功能。这种过滤方式会使您的分布出现偏差。您会失去尾部信息（即值非常低，远离平均值值的那一部分）。
这种过滤方式非常实用，因为不常使用的功能很难学习。但请务必注意，您的数据集将偏向于头部查询。在供应时，从尾部投放样本的情况会变差，因为这些样本已从训练数据中过滤掉。虽然这种偏差无法避免，但在分析过程中要注意。