机器学习项目流程
机器学习项目的主要八个步骤:
来源:(机器学习实战 基于scikit-learn和tensorflow)蜥蜴书
架构问题,关注蓝图
1.用商业用语定义目标
2、方案如何使用?
3、目前的解决方案、办法是什么
4、应该如何架构问题(有监督/无监督,在线/离线)?
5、如何测量性能
6、性能指标是否和业务指标相一致
7、每个业务指标的最低性能是什么?
8、有没有一些相似的问题,是否可以使用一些经验和工具
9、有没有相关经验的人
10、如何手动解决这个问题
11、列出目前为止你的假设
12、如果可能的化,验证这个假设
获取数据
注意:尽可能的自动化,来获取最新的数据
1、列出需要的数据和数据的体量
2、查找并记录获取数据的途径
3、检查需要的空间
4、检查法律义务,必要时获取授权
5、获取访问权限
6、创建工作空间(要有足够的内存空间)
7、获取数据
8、将数据转化为可操作性的模式(文本数据的编码等)
9、确保删除和保护敏感信息
10、检查数据的类型和大小(时间序列,样本和地点)
11、采样一个测试数据集,放在一边,不要动他,只在最后进行测试
研究数据
注意:试着从这些步骤的领域专家哪里获得灵感
1、创建数据副本用于研究(如果可以,将其抽样为可管理的大小)
2、常见一个jupyter笔记本来记录数据的研究
3、研究每个属性和特征:
- 名字
- 类型(分类,整形/浮点型,有界/无界、文本、结构等)
- 缺失值的百分比
- 噪音和噪音类型(随机,异常。舍入误差)
- 可能有用的任务?
- 分布类型(高斯、统一、对数等)
4、对于有监督的学习任务,确认目标的属性
5、可视化数据
6、研究属性之间的相关性
7、研究如何手动解决问题
8、确定希望使用转换
9、确定可能有用的额外数据(回到之前的获取数据部分)
10、记录学习的东西
准备数据
注意:
- 在数据的副本上工作(保证原始数据集不变)
- 编写适用于所有数据转化的函数,原因有五个:
- 可以很容易的准备下一次得到新数据时的数据
- 可以在未来的项目之中使用这些数据
- 清理和准备测试数据集
- 一旦解决方案失效,用来清理和准备新数据实例
- 可以轻松地将你的准备选择作为超参数
1、数据清理:
修复或删除异常值(可选)
填充缺失值(使用0,平均数,中位数等)或删除改行
2、特征选择(可选)
删除不能为任务提供任何有用信息的属性
3、在适当情况下,处理特征
离散连续特征
分解特征(如分类、日期、时间等)
添加期望的特征转换(log,sqrt等)
聚合特征称为期望的新特征
列出期望的模型
注意:
- 如果数据很大,可能需要采样为较小的训练集,以便于在合理的时间内训练不同的模型(这回对诸如大型的神经集或随机森林会造成不利的影响)
- 尽可能自动化这些步骤
- 使用标准参数,从不同类别 (例如线性,朴素贝叶斯,SVM,随机森林,神经网络)中训练需求快速的不成熟的模型
- 测量并比较他们的性能:对于每一个模型,使用N倍交叉验证并计算N次折叠的性能测试的均值和标准差
- 分析每个算法最重要的变量
- 分析模型产生的错误类型:人类用什么样的数据避免这些错误
- 快速进行特征选择和处理
- 对前面五部进行一两次快速的迭代
- 列出前三到五个最有希望的模型,倾向于选择有不同错误类型的模型
微调系统
注意:
你希望为这一步使用尽可能多的数据,特别是在微调结束时
永远尽可能的自动化
1、使用交叉验证微调超参数:
- 把数据转换选择当做超参数,尤其是不确定的时候(例如,应该用0或者平均值进行填充缺失值吗?,或者直接删除他?)
- 除非需要研究的超参数值很少,否则更喜欢在网格搜索上随机搜索,如果训练很长,可能更喜欢贝叶斯最优化方法
2、尝试组合方法,组合好几个模型往往比单独的运行效果好
3、一旦你对于最终模型有信心,在测试集上测量他的性能以估计泛化误差
注意:测量泛化误差之后,不要调整模型,只需要开始过度拟合测试集
展示解决方案
1、文档化你的工作
2、创建完美的演示:首先确保突出蓝图
3、解释为什么你的解决方案达到了业务目标
4、不要忘记展示你发现的有趣的地方
- 描述什么可以工作,什么不可以
- 列出你的假设和系统的极限
5、确保你的关键发现被完美展示或易于以及的陈述
启动
1、准备好生产环境的解决方案(插入生产数据输入,写单元测试等)
2、编写监控代码、定期检查系统的性能,出问题是及时警报
- 同样需要考虑缓慢退化;随着数据的增加,模型往往会‘腐烂’
- 测量性能可能需要的人工流水线(例如:众包服务)
- 同时监控输入质量(例如发送随机值的故障传感器,或者其他团队的输出过时),这对在线学习系统尤为重要
3、定期对数据重新建模(尽可能的自动化)