机器学习基本流程整理 - 这一篇就够啦

机器学习基本流程

流程图链接

众所周知，ML是一个流程性很强的工作(所以很多人后面会用PipeLine)，数据采集、数据清洗、数据预处理、特征工程、模型调优、模型融合、模型验证、模型持久化；

而在这些基本的步骤内，又存在很多种方式，比如数据采集可以是爬虫，可以是数据库拉取，可以是通过API获取等等，数据清洗要注意缺失值处理，异常值处理，特征工程更是复杂多样，因此根据Kaggle上的一些大佬们的分享，整理了一张基本流程以及对应细分的步骤操作图给大家，算是对各个步骤做了比较详细的分析，应付Kaggle上的入门项目是完全够的了，希望能够对大家有一点帮助；

流程介绍

数据采集

所有的机器学习算法在应用场景、优势劣势、对数据要求、运行速度上都各有优劣，但有一点不变的是都是数据贪婪的，也就是说任何一个算法，都可以通过增加数据来达到更好的结果，因此第一步数据采集也是最基础，最终的一步；

几种方式介绍：

• 爬虫：这种通常在个人项目、公司资源不足以提供数据、原始数据不足需要扩展数据情况下使用较多，比如根据时间获取天气数据，一般都