A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.
1 机器学习概论
机器学习是关于计算机基于数据分布，学习构建出概率统计模型，并运用模型对数据进行分析与预测的方法。按照学习数据分布的方式的不同，主要可以分为监督学习和非监督学习：
1.1 监督学习
从有标注的数据(x为变量特征空间, y为标签)中，通过选择的模型及确定的学习策略，再用合适算法计算后学习到最优模型，并用模型预测的过程。
按照模型预测结果Y的取值有限或者无限的，可再进一步分为分类模型或者回归模型；
1.2 非监督学习：
从无标注的数据(x为变量特征空间），通过选择的模型及确定的学习策略，再用合适算法计算后学习到最优模型，并用模型发现数据的统计规律或者内在结构。
按照应用场景，可以分为聚类，降维和关联分析等模型。
2 机器学习建模流程
2.1 明确业务问题
明确业务问题是机器学习的先决条件，这里需要抽象出现实业务问题的解决方案：需要学习什么样的数据作为输入，目标是得到什么样的模型做决策作为输出。
（如：一个简单的新闻分类问题的场景，就是学习已有的新闻及其类别标签数据，得到一个文本分类模型，通过模型对每天新的新闻做类别预测，以归类到每个新闻频道。）
2.2 数据选择：收集及输入数据
数据决定了机器学习结果的上限，而算法只是尽可能逼近这个上限。
意味着数据的质量决定了模型的最终效果，在实际的工业应用中，算法通常占了很小的一部分，大部分工程师的工作都是在找数据、提炼数据、分析数据。数据选择需要关注的是：
① 数据的代表性：代表性差的数据，会导致模型拟合效果差；
② 数据时间范围：监督学习的特征变量X及标签Y如与时间先后有关，则需要明确数据时间窗口，否则可能会导致数据泄漏，即存在和利用因果颠倒的特征变量的现象。（如预测明天会不会下雨，但是训练数据引入明天温湿度情况）；
③ 数据业务范围：明确与任务相关的数据表范围，避免缺失代表性数据或引入大量无关数据作为噪音；
2.3 特征工程：数据预处理及特征提取
特征工程就是将原始数据加工转化为模型可用的特征，按技术手段一般可分为：
① 数据预处理：缺失值/异常值处理，数据离散化，数据标准化等；
② 特征提取：特征表示，特征衍生，特征选择，特征降维等；
2.3.1 数据预处理
- 异常值处理
收集的数据由于人为或者自然因素可能引入了异常值（噪音），这会对模型学习进行干扰。
通常需要处理人为引起的异常值，通过业务/技术手段(如3σ准则)判定异常值，再由（python、正则式匹配）等方式筛选异常的信息，并结合业务情况删除或者替换数值。
- 缺失值处理
数据缺失的部分，通过结合业务进行填充数值、不做处理或者删除。
根据缺失率情况及处理方式分为以下情况：
① 缺失率较高，并结合业务可以直接删除该特征变量。经验上可以新增一个bool类型的变量特征记录该字段的缺失情况，缺失记为1，非缺失记为0；
② 缺失率较低，结合业务可使用一些缺失值填充手段，如pandas的fillna方法、训练随机森林模型预测缺失值填充；
③ 不做处理：部分模型如随机森林、xgboost、lightgbm能够处理数据缺失的情况，不需要对缺失数据做任何的处理。
- 数据离散化
数据离散化能减小算法的时间和空间开销（不同算法情况不一），并可以使特征更有业务解释性。
离散化是将连续的数据进行分段，使其变为一段段离散化的区间，分段的原则有等距离、等频率等方法。
- 数据标准化
数据各个特征变量的量纲差异很大，可以使用数据标准化消除不同分量量纲差异的影响，加速模型收敛的效率。常用的方法有：
① min-max 标准化：
将数值范围缩放到（0,1）,但没有改变数据分布。max为样本最大值，min为样本最小值。
② z-score 标准化：
将数值范围缩放到0附近, 经过处理的数据符合标准正态分布。u是平均值，σ是标准差。
2.3.2 特征提取
- 特征表示
数据需要转换为计算机能够处理的数值形式。如果数据是图片数据需要转换为RGB三维矩阵的表示。
字符类的数据可以用多维数组表示，有Onehot独热编码表示、word2vetor分布式表示及bert动态编码等；
- 特征衍生
基础特征对样本信息的表述有限，可通过特征衍生出新含义的特征进行
。特征衍生是对现有基础特征的含义进行某种处理（聚合/转换之类），常用方法如：
① 结合业务的理解做衍生：
聚合的方式是指对字段聚合后求平均值、计数、最大值等。比如通过12个月工资可以加工出：平均月工资，薪资最大值 等等；
转换的方式是指对字段间做加减乘除之类。比如通过12个月工资可以加工出：当月工资收入与支出的比值、差值等等；
② 使用特征衍生工具：如Featuretools等；
- 特征选择
特征选择筛选出显著特征、摒弃非显著特征。特征选择方法一般分为三类：
① 过滤法：按照特征的发散性或者相关性指标对各个特征进行评分后选择，如方差验证、相关系数、IV值、卡方检验及信息增益等方法。
② 包装法：每次选择部分特征迭代训练模型，根据模型预测效果评分选择特征的去留。
③ 嵌入法：使用某些模型进行训练，得到各个特征的权值系数，根据权值系数从大到小来选择特征，如XGBOOST特征重要性选择特征。
- 特征降维
如果特征选择后的特征数目仍太多，这种情形下经常会有数据样本稀疏、距离计算困难的问题（称为 “维数灾难”），可以通过特征降维解决。
常用的降维方法有：主成分分析法（PCA），
线性判别分析法（LDA）等。
2.4 模型训练
模型训练是选择模型学习数据分布的过程。这过程还需要依据训练结果调整算法的（超）参数，使得结果变得更加优良。
- 2.4.1 数据集划分
训练模型前，一般会把数据集分为训练集和测试集，并可再对训练集再细分为训练集和验证集，从而对模型的泛化能力进行评估。
（1）Python所有方向的学习路线（新版）
这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
最近我才对这些路线做了一下新的更新，知识体系更全面了。
（2）Python学习视频
包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。
（3）100多个练手项目
我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
2523
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
