2. 设计机器学习系统
- 现代的大数据场景包含如下需求:
- 必须能与系统的其他组件整和
- 易于扩展且与其他组件相对独立
- 支持高效完成所需类型的计算
- 最好能同时支持批处理和实时处理
- 机器学习系统商业用例
- 个性化,是根据各种因素来改变用户体验和呈现给用户内容。推荐从根本上说是个性化的一种,指向用户呈现一个他们可能感兴趣的物品列表。
- 目标营销和客户细分
- 预测建模与分析
2.1 数据清理与转换
- 大部分机器学习模型所处理的都是特征。特征通常是输入变量所对应的可用于模型的数值表示。
- 绝大部分情况下,原始数据都需要经过预处理才能为模型所使用。预处理的情况可能包括以下几种:
- 数据过滤
- 处理数据缺失、不完整或有缺陷
- 处理可能的异常、错误和异常值
- 合并多个数据源
- 数据汇总
- 数据转换和特征提取时常见的挑战:
- 将类别数据编码为对应的数值表示
- 从文本数据提取有用信息
- 处理图像或是音频数据
- 数值数据常被转换为类别数据以减少某个变量的可能值的数目。例如将年龄分为几段
- 对数值特征进行转换
- 对特征进行正则化、标准化,以保证统一模型的不同输入变量的值域相同
- 特征工程是对现有变量进行组合或转换以生成新特征的过程