机器学习实战 -- 机器学习解决问题的通用流程

机器学习解决问题的通用流程：

通用流程主要分为四部分：问题建模、特征工程、模型选择、模型融合。​​​​​​​​​​​​​​

一、问题建模

• 收集问题资料，深入理解问题，然后将问题抽象成机器可预测的问题。
• 明确业务目标和模型预测目标。
• 根据预测目标选择适当的评估指标用于模型评估。
• 从原始数据中选择最相关的样本子集用于模型训练，并对样本子集划分训练集和测试集，应用交叉验证的方法对模型进行选择和评估。

完成问题建模、对数据进行筛选和清洗之后，进行数据抽取特征，即特征工程。

二、特征工程

• 特征工程是一项很重要但又困难的任务，不仅需要我们对模型和算法有深入的理解，还需要有很扎实的专业领域知识。
• 工业界大多数成功应用机器学习的问题，都是在特征工程方面做得很好。
• 虽然不同模型和不同问题都会导致特征工程差异很大，但仍有很多特征工程的技巧可以通用。

进行特征工程是为了将特征输入给模型，让模型数据中学习规律。

三、模型选择

• 众多模型中选择最佳的模型需要对模型有很深入的理解。

四、模型融合

• 充分利用不同模型 的差异，进一步优化目标。

 

参考：

《美团机器学习实战》