机器学习建模流程图

机器学习建模流程图

俗话说，“ 巧妇难为无米之炊”。在机器学习中，数据和特征便是“米”，模型和算法则是“巧妇”。没有充足的数据、合适的特征，再强大的模型结构也无法得到满意的输出。正如一句业界经典的话所 说，“Garbage in, garbage out"。对于一个机器学习问题，数据和特征往往决定了结果的上限，而模型、算法的选择及优化则是在逐步接近这个上限。

特征工程，顾名思义，是对原始数据进行一系列工程处理，将其提炼为特征，作为输入供算法和模型使用。从本质上来讲，特征工程是一个表示和展现数据的过程。在实际工作中，特征工程旨在去除原始数据中的杂质和冗余，设计更高效的特征以刻画求解的问题与预测模型之间的关系。

其实从上述的流程图中我们也能发现，在整个机器学习建模流程中，往往需要大量的时间来进行数据处理。

此流程图使用 Mermaid 绘制, 源代码如下:

```mermaid
graph TD;
    开始-->数据采集;
    数据采集-->数据分析;
    数据分析-->数据清洗;
    数据清洗-->采样;
    采样-->特征提取;
    特征提取-->缺失值处理;
    缺失值处理-->对定量特征二值化;
    缺失值处理-->对定性特征哑编码;
    缺失值处理-->数据变换;
    对定量特征二值化-->无量纲化;
    对定性特征哑编码-->无量纲化;
    数据变换-->无量纲化;
    无量纲化-->特征选择;
   特征选择-->降维;
    降维-->训练;
    训练-->预测;
    预测-->评估;
    评估-->结束;```

---

作者邮箱: turingscat@126.com