1、先抽象成數學問題，指的是我們可以獲得什麼樣的資料，目標是乙個分類還是回歸，或者聚類的問題，如果都不是，劃歸為某類問題
2、獲取資料 資料決定了機器學習的上限，而演算法只是盡可能的逼近這個上限，要對資料的量級有乙個評估，多少個樣本，多少個特徵，可以估算出對記憶體的消耗程度，判斷訓練過程中記憶體是否放得下，如果放不下，就考慮改進演算法或者用降維的技巧，如果放不下，要考慮分布式
3、特徵預處理與特徵選擇
特徵預處理、資料清洗是很關鍵的一步，往往可以使演算法的效率提高，歸一化，離散化，因子化，缺失值處理，去除共線性，篩選出顯著的特徵，特徵選擇
4、訓練模型與調優
5、模型診斷
是否是欠擬合或者是過擬合，常見的方法如交叉驗證，繪製學習曲線，過擬合的基本思想是增加資料量，降低模型複雜度，欠擬合提高特徵數量和質量，增加模型複雜度。
6、模型融合
7、上線執行
完整機器學習專案的流程
1 抽象成數學問題 明確問題是進行機器學習的第一步。機器學習的訓練過程通常都是一件非常耗時的事情，胡亂嘗試時間成本是非常高的。這裡的抽象成數學問題，指的明確我們可以獲得什麼樣的資料，抽象出的問題，是乙個分類還是回歸或者是聚類的問題。2 獲取資料 資料決定了機器學習結果的上限，而演算法只是盡可能逼近這...
機器學習專案的一般流程
將實際問題抽象為機器學習能處理的數學問題，理解實際業務場景問題是機器學習的第一步。機器學習的特徵工程和模型訓練通常都是一件非常耗時的過程，胡亂嘗試時間成本是非常高的。深入理解要處理的問題，能避免走很多彎路。理解問題，包括明確可以獲得什麼樣的資料，機器學習的目標是乙個分類 回歸還是聚類。如果都不是的話...
機器學習專案的步驟
一 import the data 引入資料 這些資料是通常以.csv結尾的檔案，要構建乙個擁有大量資料的資料庫 二 clean the data 包括去除一些重複資料或不相干資料 對不完整資料的修復或刪除，保證最後訓練模型的準確性 三 split the data into training te...