機器學習的專案流程

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。

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個上限。

資料要有代表性，否則必然會過擬合。

而且對於分類問題，資料偏斜不能過於嚴重，不同類別的資料數量不要有數量級的差距。

而且還要對資料的量級有乙個評估，多少個樣本，多少個特徵，可以估算出其對記憶體的消耗程度，判斷訓練過程中記憶體是否能夠放得下。如果放不下就得考慮改進演算法或者使用一些降維的技巧了。如果資料量實在太大，那就要考慮分布式了。

良好的資料要能夠提取出良好的特徵才能真正發揮作用。

特徵預處理、資料清洗是很關鍵的步驟，往往能夠使得演算法的效果和效能得到顯著提高。歸一化、離散化、因子化、缺失值處理、去除共線性等，資料探勘過程中很多時間就花在它們上面。這些工作簡單可複製，收益穩定可預期，是機器學習的基礎必備步驟。

篩選出顯著特徵、摒棄非顯著特徵，需要機器學習工程師反覆理解業務。這對很多結果有決定性的影響。特徵選擇好了，非常簡單的演算法也能得出良好、穩定的結果。這需要運用特徵有效性分析的相關技術，如相關係數、卡方檢驗、平均互資訊、條件熵、後驗概率、邏輯回歸權重等方法。

直到這一步才用到我們上面說的演算法進行訓練。現在很多演算法都能夠封裝成黑盒供人使用。但是真正考驗水平的是調整這些演算法的（超）引數，使得結果變得更加優良。這需要我們對演算法的原理有深入的理解。理解越深入，就越能發現問題的癥結，提出良好的調優方案。

如何確定模型調優的方向與思路呢？這就需要對模型進行診斷的技術。

過擬合、欠擬合判斷是模型診斷中至關重要的一步。常見的方法如交叉驗證，繪製學習曲線等。過擬合的基本調優思路是增加資料量，降低模型複雜度。欠擬合的基本調優思路是提高特徵數量和質量，增加模型複雜度。

誤差分析也是機器學習至關重要的步驟。通過觀察誤差樣本全面分析產生誤差的原因:是引數的問題還是演算法選擇的問題，是特徵的問題還是資料本身的問題……

診斷後的模型需要進行調優，調優後的新模型需要重新進行診斷，這是乙個反覆迭代不斷逼近的過程，需要不斷地嘗試，進而達到最優狀態。

一般來說，模型融合後都能使得效果有一定提公升。而且效果很好。

工程上，主要提公升演算法準確度的方法是分別在模型的前端（特徵清洗和預處理，不同的取樣模式）與後端（模型融合）上下功夫。因為他們比較標準可複製，效果比較穩定。而直接調參的工作不會很多，畢竟大量資料訓練起來太慢了，而且效果難以保證。

這些工作流程主要是工程實踐上總結出的一些經驗。並不是每個專案都包含完整的乙個流程。這裡的部分只是乙個指導性的說明，只有大家自己多實踐，多積累專案經驗，才會有自己更深刻的認識。