定义问题
想预测什么?
有哪些数据可用?
是否需要收集更多的数据?
是否需要人工标注?
定义评价指标
寻找能够可靠评估目标成功的方法。
为任务设计不同的评价指标,如针对简单任务,可以用预测精度。
准备数据集
准备用于评估模型的验证过程,即定义训练集、验证集、测试集。
验证集和测试集的标签不应泄露到训练数据中。如针对时序预测,验证数据和测试数据的时间都应在训练数据之后。
数据向量化
将数据转化为向量并预处理(如标准化),使其更容易被神经网络所处理。
开发模型
设立基准,如基于常识的基准。开发模型并打败基准,从而表明机器学习能解决你的问题。
改进模型
通过调节超参数和添加正则化来逐步改进模型架构。
仅根据模型在验证集(而不是训练集或测试集)上的性能来进行修改。
应该先让模型过拟合,从而找到比你的需求更大的模型容量,然后才开始添加正则化或降低模型尺寸。
调节超参数时要小心验证集过拟合,即超参数可能会过于针对验证集而优化。保留的测试集正是为了解决这个问题。