数据科学猫：机器学习建模流程

进击的橘子猫正式改名上线啦！

我的CSDN主页：https://blog.csdn.net/Orange_Spotty_Cat 

也欢迎大家搜索微信公众号“进击的橘子猫”，我也会定期分享数据科学、Python、大数据、项目管理与PPT的相关知识。

让我们进击起来吧！

​简介

• 本篇主要介绍机器学习建模的整个流程。

• 经过了3年的沉淀，我重新整理了之前在CSDN中的数据分析与挖掘的框架，现在将重新将这篇文章改写为机器学习建模的流程介绍。

• 主要的差异在于，我将原本在框架中的“架构设计”部分删除，该部分日后会单独作为一个板块介绍（介绍传统数据仓库与大数据平台的概念与技术）。

• 同时，基于之前CSDN的原文，我会将每个步骤进行更加详细的描述，当然，日后也会继续针对每个步骤涉及的知识点单独出文章介绍。也一如既往的欢迎大家支持并提出建议！

 

几句话概括版

机器学习建模主要可以拆解为以下7个步骤：

• 场景设计：确认模型的需求，梳理建模的思路，初步拟定模型所需的特征清单

•  数据收集：探查数据源与现有表结构，确认数据现状，圈定建模所需要的数据

• 数据预处理：根据数据源加工指标，并根据数据情况进行清洗、转换与标准化

• 特征工程与筛选：对加工好的特征进行分箱或转换，并根据重要性筛选入模的特征

•  模型训练：选择适合的机器学习模型，分割数据集进行模型训练

•  模型评估：在测试集上测试模型在未知数据集上的表现，结合评估表现进行调

• 部署上线：将模型代码进行封装，并在生产环境进行部署与上线