图书链接

Veridical Data Science（真实可信数据科学）是一套确保数据科学结果真实、可靠、可解释、可复现的原则和方法体系。
它由加州大学伯克利分校的统计学家 Bin Yu（余彬）教授提出，核心思想是：

为了做到这一点，VDS 提出了一个核心框架：PCS
•         P: Predictability（可预测性）
模型必须在新数据上表现良好，而不是只在训练集上好看。
•         C: Computability（可计算性）
结果必须能被稳定、可重复地计算出来，算法要可实现、可复现。
•         S: Stability（稳定性）
结论不能因为数据的微小扰动、模型选择的微小变化而大幅波动。

为什么 Veridical Data Science 在工业界非常重要
工业界的数据科学项目往往面临以下问题：
•         数据噪声大、不完整
•         模型复杂、难解释
•         结果不稳定、难复现
•         业务方需要可信的结论，而不是“黑箱预测”
•         模型上线后需要长期稳定运行
VDS 正是为了解决这些现实痛点。


VDS 强调：
•         模型不仅要预测准
•         还要能解释“为什么”
在工业界：
•         金融风控需要解释
•         医疗模型需要解释
•         法律合规需要解释
•         业务团队需要解释