我們在學習機器學習的時候總會遇到很多的問題，而這些問題總是導致很多的問題，其實這些都是正常的，我們只有正視這些錯誤才能夠更好地進行操控機器學習，而機器學習的常見錯誤有很多，我們在這篇文章中給大家介紹一下機器學習的常見錯誤，那就是只有模型沒有系統。那麼究竟是怎麼一回事呢？下面我們就給大家介紹一下這個情況。
相信大家已經知道機器學習的核心知識吧，其實機器學習系統的核心是各種機器學習模型，但並不能說模型是系統的全部，甚至都不一定是系統中最重要的部分。如果把乙個完整的機器學習系統比喻成一部手機，那麼模型可以算作是手機的處理器，但是我們知道除了處理器以外，影響手機最終效能的因素還有非常的多，比如說螢幕，做工等等，而有了高階處理器並不能說明這是一款好手機。
當然，用這個比喻說機器學習也是一樣的，要想讓模型充分發揮作用，這就需要在系統構建時具有充分的大局觀意識，把模型當做系統的一部分來看待。在這裡需要提醒大家的是，在注意優化模型的同時，更要注意模型的提公升是否對系統整體最終效果產生了提公升，如果沒有，那麼要從系統中模型以外的部分找問題。而在所以在開發系統的過程中，不能只關注模型本身的好壞，更重要的是要關注模型對系統最終影響，以調優系統為目標，而不是僅僅調優模型為目標。如果只看到模型而看不到系統，很可能會做出指標漂亮但是沒有實效的花瓶系統來。
當然，還有人在學習機器學習的時候忽視模型過程和細節。很多人覺得機器學習模型只需要把樣本和特徵放進去，就會有好用的模型引數生成，其實並不是這樣的，如果這樣想，會讓人習慣性地忽略模型的細節，比如說某個引數為何是這個取值，這個取值是否合理，這個取值對應的樣本資料是什麼樣子等問題，我們需要做的事情就是把精力都花在調一些外部引數之類的工作上。當然，如果硬要這樣做的話，得到的後果就是如果模型效果不好，不一定能夠通過調整外部引數來達到調優效果。在樣本收集處理過程中，摻入了一些噪音資料沒有去除，那麼這些噪音資料會影響最終的模型引數，進而影響模型效果。這種問題通過調一些諸如正則化引數之類的引數是無法解決的，真正有效的解決方法是深入的具體引數中，找到表現異常的引數，然後深入到該引數對應的正負樣本及其特徵，這樣逐層滲透地查詢問題。典型的lr模型作為當今最流行的模型，很多人只看到了訓練速度和擴充套件性這些優點，而沒有充分利用模型簡潔性這一特點。lr簡潔的引數形式非常適合使用上面描述的問題查詢方法來定位問題。
常見機器學習模型總結
1 分類 線性分類器 如lr 支援向量機 svm 樸素貝葉斯 nb k近鄰 knn 決策樹 dt 整合模型 rf gdbt等 2 回歸 線性回歸 支援向量機 svm k近鄰 knn 回歸樹 dt 整合模型 extratrees rf gdbt 資料聚類 k means 資料降維 pca 等等.1 各...
常見機器學習模型之間的關係
1.中文解釋 線性回歸。2.模型思想 對於能夠以f xi wxi b表達的線性模型，線性回歸就是試圖學得恰當得向量w和標量b，使得f xi yi，其中yi是真實輸出。那只需要設計乙個衡量f xi 與yi的差異函式e xi，yi，w，b 機器學習中稱為代價函式或損失函式，然後使該對函式求得最小值，對應...
Tips 機器學習模型常見評估指標
1.混淆矩陣 confusion matrix positive 1 negative 0 positive 1 tp 1,1 fp 1,0 negative 0 fn 0,1 tn 0,0 列為模型 值，行為樣本實際值。2.準確率 精確率 靈敏度 召回率 特異性 f1 score 3.roc和au...