都是數據科學家，為什麼TA薪水比你高？

知識 12-05

選自towardsdatascience

作者：Andre Sionek

機器之心編譯

參與：張倩、王淑婷

同樣做數據科學，為什麼有人賺得多，有人賺的少？為了科學地回答這個問題，Kaggle 進行了一項系統的調查。結果表明，行業、經驗、掌握的數據類型等是影響數據科學家薪酬的主要因素。行業是自己選的，經驗是自己攢的，這些都沒啥好說的。至於數據類型，你會的更高級就賺得越多。

如何提高薪酬？本文作者從 2018 年 Kaggle ML & DS 調查問卷中總結出 124 條「該做」和「不該做」之事。

做什麼能為你的數據科學職業生涯加碼？很多人已經非常清楚鞏固數據科學職業和加薪的重要因素。但我從沒有見過一個系統的、基於數據的方法來回答這個問題。所以我想通過建模來解釋「哪些因素可以提高數據科學家的市場價值」。有些你可能已經了解，但有些可能真的有助於你加薪呢~

完整研究報告及代碼地址：

https://www.kaggle.com/andresionek/what-makes-a-kaggler-valuable

根據數據估計薪酬

我們只能做這種研究，因為 Kaggle 已經發布了其第二次年度機器學習和數據科學調查的數據。該調查於 2018 年 10 月展開，耗時一周，共獲得 23859 份回復。結果包括一些原始數據，如什麼人在研究數據、不同行業中機器學習的情況、新數據科學家進入該領域的最佳方式。

有了這些數據，我們想了解影響 Kaggler 薪酬的因素（我們把回復調查的人稱之為 Kaggler）。我們想讓你了解什麼對市場更有價值，這樣你就可以停止把時間花在投資回報率（ROI）低的事情上，並加速獲得更高的報酬。根據這些從數據中提煉出來的見解，我希望你有一天能夠像 Babineaux 一樣——躺在錢堆上。

Huel Babineaux，《絕命毒師》和《風騷律師》中的角色。圖源：AMC

在進入正題之前，我們可以先做一些基本的探索性數據分析（EDA）。首先看一下大家的薪水

數據：Kaggle 第二次年度機器學習和數據科學調查。圖表：作者

薪酬主要集中分布在較低的水平範圍內（每年 1 萬美元），在 10 萬美元左右還有另一個高峰。很多學生也填寫了這份調查問卷，看看他們賺多少？

數據：Kaggle 第二次年度機器學習和數據科學調查。圖表：作者

不出所料，學生們賺得不多，因為他們還沒有正式工作。既然如此，我們可以把學生從數據中剔除並確定收入前 20% 的 Kaggler 薪酬是多少。

數據：Kaggle 第二次年度機器學習和數據科學調查。圖表：作者

根據這些數據，我們定義了用於建模的目標變數，如下：

我們將計算一個 Kaggler 年收入超過 10 萬美元的概率。

數據科學中的性別不平衡

在繼續建模之前，我想告訴你的是，在收入最高的 20%Kaggler 中存在性別不平衡，但是其餘的 80% 中不存在這種現象。這意味著男性高管的薪資要高於女性。如下圖所示：

數據：Kaggle 第二次年度機器學習和數據科學調查。圖表：作者

預測模型

為了創建模型，我們從 29 個問題中提取了 138 個可以解釋高薪的特徵。經過一定的數據清洗之後，我們運行了Logistic 回歸和隨機森林模型。

經過評估，我們發現 Logistic 回歸表現更好。該模型在提取特徵係數方面也具有優勢。這可以幫助我們理解每個特徵對（收入最高的 20%Kaggler）最終結果有何貢獻。我們做了欠採樣、交叉驗證及網格搜索，代碼見完整版調查報告。

模型性能：薪水前 20% 和後 80% 的預測分數。數據：Kaggle 第二次年度機器學習和數據科學調查。

幫你加薪的幾個方法

選擇特徵之後，我們的模型總共有 124 個特徵。從它們的係數我們總結了幾點幫你加薪的建議。

我們模型的截距是 0。這意味著每個人都是從 0 分開始的。接下來你可以在你分數的基礎上加分或減分，這取決於你針對每個問題給出的答案。

正係數：係數為正表示肯定的答案有助於你擠進前 20%

負係數：係數為負表示肯定的回答不利於你擠進前 20%

模型係數。數據：Kaggle 第二次年度機器學習和數據科學調查。圖表：作者

學生身份可能是挫敗感強、薪水低的一個原因。走出學校門找份工作吧！做一名數據科學家很不錯，但軟體工程師薪水更高。為什麼不去做一名 B 型數據科學家（註：B 型數據科學家具有很強的編程能力，可能是經過訓練的軟體工程師。詳見：https://medium.com/@jamesdensmore/there-are-two-types-of-data-scientists-and-two-types-of-problems-to-solve-a149a0148e64）並將模型部署到生產中呢？