这里说说机器学习问题分析的一般性过程，尽管存在各种各样的机器学习问题，但大体上的步骤及最佳实践都有一定的套路。
理解问题
首先得理解要解决的是什么问题，比如
- 业务上要解决什么问题
- 该问题涉及到的信息管道有哪些
- 如何采集数据，数据源在哪
- 数据是完整的吗，数据刻度最小是多少
- 数据是定期发布的还是实时获取的
- 确定影响模型的有价值因素
- 工作量
以上等等等等。
ETL处理
待收集的数据可能是表格数据、一串实时数据，N维矩阵或其他类型数据，同时也可能是多种存储介质，通过ETL处理将混合的数据源转成我们需要的格式，生成结构化数据类型。
数据预处理
对于收集的数据，可能存在缺陷，比如空值、异常值或数据产生器本身引起的偏差。这些缺陷可能导致模型效果不佳，同时为了优化更快收敛，需要做数据标准化处理，所以需要进行数据预处理。
比如缺失值可以简单设为0、列平均值、中值、最高频率值、甚至是稳健算法和knn等等。
比如标准化数据集，使数据集正态分布，平均值为0标准差为1。而且还达到了特征缩放效果。
模型定义
机器学习主要就是模型问题，我们通过机器学习来对现实进行抽象建模，以解决现实问题。所以机器学习主要工作就是使用哪种模型来建模，尽管各种大大小小模型一大堆，但大体上也有些套路。
- 要完成的任务是预测结果还是对数据进行分类，前者是回归问题，后者是分类问题。
- 对于分类问题，如果需要数据标记，则是监督学习，否则是非监督学习，使用聚类技术。
- 数据是否为连续的，是的话考虑序列模型，比如自回归和RNN之类的。
- 尽量使用简单模型，如果能用比如用单变量或多变量的线性回归或逻辑回归。
- 简单模型解决不了的情况，可通过多层神经网络解决，比如复杂的非线性。
- 使用了多少个维度的变量，将作用大的特征提取出来，并把不重要的特征去掉，比如用PCA降维。
- 不是监督也不是非监督？考虑强化学习？
损失函数
损失函数用于衡量模型质量，它可以度量模型预测值与实际期望之间的差距，选择不合适的函数可能会影响模型的准确性，甚至影响收敛速度。
模型训练
数据准备好了，模型定义好了，就可以开始训练模型。训练中涉及几个关键术语：迭代，表示模型计算和调整的一次过程；批，数据集每次以一批为单位输入到模型中；epoch，每当整个数据集被处理完称为一个epoch。
另外，训练模型前先调整模型的初始权重，以便能更快更好地收敛。不能初始化为0，否则将导致学习失败。一般可以使用标准化技术将权重初始化。
数据集分割
一般将整个数据集分成三组，比例是7:2:1，第一组为训练集，用于调整模型参数；第二种为验证集，用于比较多个模型直接的表现；第三组为测试集，用于测试训练得到的模型准确性。
模型效果
模型训练完后要看效果如何，要看看泛化的能力。
对于回归问题，可以通过下面几个指标来了解拟合效果。
- 平均绝对误差
- 中值绝对误差
- 均方误差等等
对于分类问题，可以通过下面几个指标来了解分类效果。
- 准确性
- 精确率
- 召回率
- F值
- 混淆矩阵
对于聚类问题，可以通过下面几个指标来了解聚类效果。
- 轮廓系数
- 同质性
- 完整性
- V度量
本文转自：微信号 - 远洋号（seaboat-top），转载此文目的在于传递更多信息，版权归原作者所有。
