一、数据预处理
- 获取数据
- 查看数据基本情况info()/head()/describe()
- 缺失值处理(删除/填充/承认缺失值存在)、异常值处理(删除/保留/处理到一定范围内)
- 类别型数据处理、时间型数据处理、转换变量类型、对数据进行分箱/分桶/离散化
- 分类建模,分析样本是否不均衡(过抽样,欠抽样/正负样本惩罚权重/组合集成处理)
- 对变量进行分析
二、特征工程
- 选择合适的特征进行数据标准化—树模型不需要进行标准化/归一化
- 对特征之间进行相关性分析/特征选择(卡方检验/模型筛选/移除低方差的特征/单变量特征选择/递归特征消除/基于L1的特征选择)/特征衍生,对特征与目标进行相关性分析选取重要特征(逻辑回归要求变量之间线性无关)
三、模型训练
- 选择对应特征作为模型特征值和目标值(无监督学习无目标值)
- 建立模型(是否有超参数需进行交叉验证/网格搜索),进行训练,得到结果
三、模型评估与优化
-
根据模型选择对应的评估方法
监督学习:
回归模型:均方根误差、相对平方误差、平均绝对误差、相对绝对误差、决定系数等
分类模型:准确率、精确率、召回率、F1-score、AUC指标等
无监督学习:
聚类模型:误差平方和、轮廓系数等 -
对模型进行调优(查看测试集与训练集评估结果是否过拟合)
-
如果是需要上线的模型,2-6个月内的数据不会用来训练模型,会用来做跨时间验证判断模型是否可上线
-
考虑是否需要模型融合