java比赛项目_数据挖掘比赛/项目全流程介绍

【说在前面】本人博客新手一枚，象牙塔的老白，职业场的小白。以下内容仅为个人见解，欢迎批评指正，不喜勿喷！[握手][握手]

1. 数据预处理

1.1 选择数据样本(企业级应用)

例如客观选择某一时间段内的所有样本集合等(避免人为主观选择)

例如在评价样本中去除恶意/随意评价样本等(避免错误样本的干扰)

1.2 可视化特征分布

dataframe.info/dataframe.describe等(查看数据样本的整体分布情况)

dataframe.plot/matplotlib/seaborn等(包括柱状图/散点图/折线图等)

1.3 缺失值处理

如果某样本的缺失记录占比较大：

可统计为“缺失量”

可直接删除该样本

如果某特征的缺失记录占比较大：

可二值化为“有/无”

可直接删除该样本

如果某样本/特征的缺失记录占比较小：

可根据领域知识补全

数值型：可根据均值/众数/模型预测等补全

类别型：可以定义为新的类别等

可不处理，有些模型对缺失值不敏感：例如树模型/神经网络等

1.4 异常值处理

异常值判定：需根据数据分布/业务场景等

RobustScaler/robust_scale等

之后会推出异常值检测专题

可直接删除该样本

可采用缺失值的处理方式

注意数据不一致问题

注意数值型可用盖帽/对数变换等压缩

可不处理，有些模型对异常值不敏感：例如KNN/随机森林等

2. 特征工程

2.1 数值型

连续型：离散化(例如年龄/身高/体重等)

无监督：分箱等

有监督：基于卡方检验/信息增益等

标准化/归一化：Normalizer/StandardScaler/MinMaxScaler

2.2 非数值型

类别型

存在排序问题的编码：sklearn.preprocessing.LabelEncoder

不存在排序问题的编码：sklearn.preprocessing.OneHotEncoder/get_dummies/Binarizer二值化

时间型

与数值型/类别型进行特征交叉/组合(企业级应用很常见)

采用时间滑动窗口统计特征count/min/max/mean/median/mode/variance等

字符串型

可采用词袋模型/TF-IDF/主题模型/Word Embedding等

2.3 特征体系扩充

特征交叉/特征组合等

多项式转换：PolynomialFeatures

引入新特征：根据迭代评估决定是否添加(企业级应用)

2.4 特征选择(降维)

去掉取值变化小的特征：取值基本都相同的特征

衡量单个特征和标签的关联度：scipy.stats.pearsonr/minepy.MINE/回归权重等

含正则化的线性模型/树模型等：SelectKBest/SelectFromModel

其他特征选择思路：RandomizedLasso/sklearn.feature_selection.RFE

降维：sklearn.decomposition.PCA/sklearn.lda.LDA

2.5 sklearn.pipeline

能够完成流水线式和并行式的工作

3. 模型选择/融合

3.1 常见的机器学习算法

lr/svm/rf/GBDT/xgboost/lightgbm等

3.2 模型融合

回归预测的boosting思路：各模型的加权平均融合

分类识别的bagging思路：各模型的投票融合

Stacking/Blending等模型融合方法

3.3 企业级模型应用思路

lr/xgboost/gbdt+lr/引入DNN等

4. 模型训练/测试

4.1 数据集划分

按比例划分：sklearn.model_selection.train_test_split

K折交叉验证：KFold/GroupKFold/StratifiedKFold

4.2 调参

网格搜索/贝叶斯优化等(sklearn.grid_search.GridSearchCV)

5. 其他问题

5.1 样本不均衡问题

数据角度：欠采样/过采样/SMOTE算法等

模型角度：调整lr的阈值/采用树模型等

评估角度：采用F1值/ROC曲线等

5.2 无标签样本问题

半监督学习方法/聚类思考等

5.3 欠拟合/过拟合问题

欠拟合

特征扩充/非线性模型等

过拟合

扩充数据集/正则化/early stoppping/交叉验证

Dropout/batch normalization

6. 模型评估

6.1 回归问题

平均绝对误差MAE/平均平方误差MSE/均方根误差RMSE/决定系数R2等

6.2 分类问题

混淆矩阵/准确率/召回率/F1/ROC曲线/AUC/PR曲线/交叉熵损失等

6.3 上线问题

线下预估/流量分配/ABtesting/业务评估指标等(企业级应用)

老规矩，最后直接上完整的思维导图！

如果您对人工智能算法感兴趣，欢迎浏览我的另一篇博客：人工智能新手入门学习路线和学习资源合集(含AI综述/python/机器学习/深度学习/tensorflow)

如果你是计算机专业的应届毕业生，欢迎浏览我的另外一篇博客：如果你是一个计算机领域的应届生，你如何准备求职面试？

如果你是计算机专业的本科生，欢迎浏览我的另外一篇博客：如果你是一个计算机领域的本科生，你可以选择学习什么？

如果你是计算机专业的研究生，欢迎浏览我的另外一篇博客：如果你是一个计算机领域的研究生，你可以选择学习什么？

如果你对金融科技感兴趣，欢迎浏览我的另一篇博客：如果你想了解金融科技，不妨先了解金融科技有哪些可能？

之后博主将持续分享各大算法的学习思路和学习笔记：hello world: 我的博客写作思路

关于找一找教程网

本站文章仅代表作者观点，不代表本站立场，所有文章非营利性免费分享。

本站提供了软件编程、网站开发技术、服务器运维、人工智能等等IT技术文章，希望广大程序员努力学习，让我们用科技改变世界。

[数据挖掘比赛/项目全流程介绍]http://www.zyiz.net/tech/detail-128353.html