机器学习2：问题构建及框架化

机器学习作为一种解决方案，并不是“万金油”，它只适用于一些特定的场景。在实际应用中，我们首先需要进行问题构建——即通过分析问题以隔离需要解决的各个元素的过程。问题构建有助于确定项目的技术可行性，并提供一组明确的目标和成功标准。在考虑机器学习解决方案时，有效的问题构建可以确定您的产品最终是否成功。

正式的框架构建是解决机器学习问题的关键开始，因为它会迫使我们更好地了解问题和数据，从而设计出问题和数据并架起桥梁。-  TensorFlow 工程师

目录

1. 明确问题

1.1 描述目标

1.2 明确用例

1.3 分析数据

1.3.1 预测能力

1.3.2 预测对比

2. 对问题进行框架处理

2.1 确定理想的结果和模型目标

2.1.1 选择合适的模型类型

2.2 确定模型的输出

2.2.1 代理标签

2.3 设定效果指标

3. 实施模型

3.1 训练自己的模型与使用预训练模型

3.2 监控

3.2.1 模型部署

3.2.2 训练-服务偏差

3.2.3 推理服务器

---

1. 明确问题

在使用机器学习之前，首先要明确问题，以确定是否有必要且适合采用机器学习来解决问题，具体而言，需要完成以下任务：

• 明确正在开发或重构的产品的目标。
• 确定目标是否最好使用 ML 来解决。
• 确认您拥有训练模型所需的数据。

1.1 描述目标