知识卡片
算法工程师与数据科学工作者的不同期待
内容
算法工程师大多关注模型的预测性能（准确率、AUC、R²等），偏好精度更高、能刻画非线性关系的复杂深度学习模型；数据科学工作者作为业务方的支持者，更关注模型能否解释业务背后的因果关系、能否说服决策者。这导致两类角色在模型选型上经常出现分歧——很多业务场景宁愿牺牲一部分预测精度，换取更透明、能讲清楚”为什么”的传统模型（线性回归、决策树），这正是[[黑盒模型与白盒模型的取舍]]从业务方视角的具体体现。
参考来源
- 位置：《数据科学工程实践》第11章《机器学习模型可解释性》"11.1.1 模型可解释的重要性"一节（源文件：_epub-src/OEBPS/Text/part0061.xhtml）
- 结论依据：原文明确"算法工程师……更偏好具有较好精度、能够表征非线性关系的复杂深度学习神经网络模型"，而数据科学工作者"在多数任务场景中，仅有良好的预测结果是不够的……最终不得不使用更传统的机器学习模型，如线性回归、决策树，而不是复杂深度学习模型"。
- 原始内容：对于算法工程师来说，从预测结果出发，往往更多关注的是模型的预测性能……因此，算法工程师更偏好具有较好精度、能够表征非线性关系的复杂深度学习神经网络模型。对于数据科学领域中的建模工作者来说……在多数任务场景中，仅有良好的预测结果是不够的。这导致模型在性能上需要做出一些牺牲……最终不得不使用更传统的机器学习模型，如线性回归、决策树，而不是复杂深度学习模型来解决实际问题。