每個機器學習項目都有自己獨特的形式。對于每個項目，都可以遵循一組預定義的步驟。盡管沒有嚴格的流程，但是可以提出一個通用模板。

準備問題

不僅是機器學習，任何項目的第一步都是簡單地定義當前的問題。您首先需要了解背景和需要解決的問題。然后設(shè)計機器學習算法來有效地解決這一問題。一旦清楚地了解了問題，就可以解決它。

加載庫

我將繼續(xù)使用Python。第一步是加載或?qū)胨璧乃袔旌桶Ｒ恍┓浅；厩規(guī)缀醣匾臋C器學習軟件包是-NumPy，Pandas，Matplotlib和Scikit-Learn。

加載數(shù)據(jù)集

加載庫后，您需要加載數(shù)據(jù)。Pandas具有執(zhí)行此任務的非常簡單的功能-pandas.read_csv。read.csv函數(shù)不僅限于csv文件，而且還可以讀取其他基于文本的文件。其他格式也可以使用pandas讀取功能（例如html，json，pickled文件等）讀取。需要牢記的一件事是，您的數(shù)據(jù)需要與當前工作目錄位于同一工作目錄中，否則您將需要在函數(shù)中提供以“ /”為前綴的完整路徑。

匯總數(shù)據(jù)

現(xiàn)在數(shù)據(jù)已加載并準備好進行操作。但是，您需要先檢查數(shù)據(jù)的外觀以及內(nèi)容。首先，您需要查看數(shù)據(jù)具有多少行和列，以及每一列的數(shù)據(jù)類型都是什么（pandas認為它們是什么類型）。

快速查看數(shù)據(jù)類型和形狀的方法是— pandas.DataFrame.info。這將告訴您數(shù)據(jù)框具有多少行和列以及它們包含哪些數(shù)據(jù)類型和值。

描述性統(tǒng)計

顧名思義，描述性統(tǒng)計數(shù)據(jù)以統(tǒng)計數(shù)據(jù)的形式描述數(shù)據(jù)-均值，標準差，四分位數(shù)等。獲得完整描述的最簡單方法是pandas.DataFrame.describe。您可以輕松確定數(shù)據(jù)是否需要縮放或需要添加缺失值，等等。（稍后會對此進行更多介紹）。

數(shù)據(jù)可視化

數(shù)據(jù)可視化非常重要，因為它們是了解數(shù)據(jù)和規(guī)律（即使它們不存在）的最快方法。您的數(shù)據(jù)可能具有數(shù)千個樣本，甚至更多。無法直接分析所有數(shù)值數(shù)據(jù)。如果需要可視化，可以使用Matplotlib和Seaborn這樣強大的可視化程序包。

使用Seaborn的Matplotlib進行可視化可用于檢查特征內(nèi)的相關(guān)性以及與目標的關(guān)系，可以使用散點圖，直方圖和箱形圖來檢查分布和偏度等。甚至pandas都有自己的內(nèi)置可視化庫-pandas.DataFrame.plot，其中包含條形圖，散點圖，直方圖等。

Seaborn本質(zhì)上是經(jīng)過改造的matplotlib，因為它建立在matplotlib的基礎(chǔ)上，使繪圖更加美觀，并且繪圖速度更快。熱圖和對圖（pairplot）是Seaborn快速繪制整個數(shù)據(jù)的可視化以檢查多重共線性，缺失值等特征的示例。

一種獲取大多數(shù)上述數(shù)據(jù)描述性和推斷性信息的統(tǒng)計數(shù)據(jù)的非常有效的方法是Pandas Profiling。它會生成數(shù)據(jù)的精美報告，其中包含上述所有詳細信息，使您能夠一次分析所有數(shù)據(jù)。

準備數(shù)據(jù)

知道了數(shù)據(jù)的內(nèi)容和規(guī)律，就需要對其進行轉(zhuǎn)換，以使其適合算法來更有效地工作，以便提供更準確，更精確的結(jié)果。這就是數(shù)據(jù)預處理，這是任何ML項目中最重要，最耗時的階段。

數(shù)據(jù)清洗

現(xiàn)實生活中的數(shù)據(jù)不能很好地安排在沒有異常的數(shù)據(jù)框中并呈現(xiàn)給您。數(shù)據(jù)通常具有很多所謂的異常，例如缺失值，許多格式不正確的特征，不同比例的特征等。所有這些都需要手動處理，這需要大量時間和編碼技巧（主要是python和pandas：D ）！

Pandas具有各種功能來檢查異常，例如pandas.DataFrame.isna以檢查NaN等值。您可能還需要轉(zhuǎn)換數(shù)據(jù)格式以擺脫無用的信息，例如刪除“ Mr.”和“ Mrs” ”（如果存在單獨的性別特征）。您可能需要使用pandas.DataFrame.replace函數(shù)以整個數(shù)據(jù)框的標準格式獲取它，或使用pandas.DataFrame.drop刪除不相關(guān)的特征。

特征選擇

特征選擇是選擇一定數(shù)量的最有用特征的過程，這些特征將用于訓練模型。這樣做是為了在大多數(shù)特征對整體差異的貢獻不足時縮小尺寸。如果您的數(shù)據(jù)中有300個特征，而前120個特征可以解釋97％的方差，那么用這么多無用的特征來充實您的算法是沒有意義的。減少特征不僅可以節(jié)省時間，還可以節(jié)省成本。

一些流行的特征選擇技術(shù)包括SelectKBest，特征消除方法（例如RFE（遞歸特征消除））和嵌入式方法（例如LassoCV）。

特征工程

所有功能可能都不處于最佳狀態(tài)。特征工程的意思是通過使用一組函數(shù)可以將它們轉(zhuǎn)換為不同的相關(guān)的數(shù)據(jù)。這是為了增加與目標的相關(guān)性，從而增加準確性/分數(shù)。其中一些轉(zhuǎn)換與縮放有關(guān)，例如StandardScaler，Normalizer，MinMaxScaler等。甚至可以通過將一些特征進行線性/二次組合來增加特征，以提高性能。對數(shù)轉(zhuǎn)換，交互作用和Box-Cox轉(zhuǎn)換是數(shù)字數(shù)據(jù)的一些有用轉(zhuǎn)換。

對于分類數(shù)據(jù)，有必要將類別編碼為數(shù)字，以便算法可以從中識別出來。一些最有用的編碼技術(shù)是– LabelEncoder，OneHotEncoder和Binarizer。

評估算法

數(shù)據(jù)準備就緒后，請繼續(xù)檢查各種回歸/分類算法的性能（基于問題的類型）。您可以首先創(chuàng)建一個基本模型來設(shè)置要進行比較的基準。

拆分驗證數(shù)據(jù)集

訓練完模型后，還需要對其進行驗證，以查看它是否真的對數(shù)據(jù)進行了概括或擬合過度/不足。手中的數(shù)據(jù)可以預先分為訓練集和驗證集。這種拆分具有多種技術(shù)-訓練測試拆分，隨機排序等。您還可以對整個數(shù)據(jù)集運行交叉驗證，以進行更可靠的驗證。KFold交叉驗證，Leave-One-Out-CV是最流行的方法。

測試選項和評估指標

基于一組需要定義的評估指標來評估模型。對于回歸算法，一些常用指標是MSE和R Square。

與分類有關(guān)的評估指標要多樣化得多-混淆矩陣，F(xiàn)1得分，AUC / ROC曲線等。對每種算法的這些得分進行比較，以檢查哪些算法的性能優(yōu)于其余算法。

抽查算法

拆分數(shù)據(jù)并定義評估指標后，您需要在for循環(huán)中運行一組算法，以檢查哪個算法表現(xiàn)最佳。簡短的算法列表可以很好地解決您的問題，這是一個反復的嘗試，這樣您便可以加速研究并進一步調(diào)優(yōu)它們。

可以制作流水線，并可以混合使用線性和非線性算法來檢查性能。

比較算法

現(xiàn)場運行測試工具后，您可以輕松查看哪些工具最適合您的數(shù)據(jù)。始終獲得高分的算法應該是您的目標。然后，您可以選擇最好的，并對其進行進一步調(diào)整以提高其性能。

提高準確性

擁有性能最佳的算法之后，可以調(diào)整它們的參數(shù)和超參數(shù)以提供最好的結(jié)果。也可以連接多種算法。

算法調(diào)整

維基百科指出“超參數(shù)調(diào)整是為機器學習算法選擇一組最佳超參數(shù)”。超參數(shù)是無法學習的參數(shù)，必須在運行算法之前進行設(shè)置。超參數(shù)的一些例子包括邏輯回歸的損失，隨機梯度下降的損失以及SVM的核。

這些參數(shù)可以在數(shù)組中傳遞，并且算法可以遞歸運行，直到找到完美的超參數(shù)。這可以通過諸如網(wǎng)格搜索和隨機搜索之類的方法來實現(xiàn)。

組合

可以將多種機器學習算法組合在一起，以形成一個更健壯和更優(yōu)化的模型，該模型相比于單個算法可以提供更好的預測。這被稱為合奏。

有2種類型常見的合奏-套袋（Bootstrap-Aggregating）和Boosting。例如，“隨機森林”是一種Bagging集成體，它組合了多個決策樹并獲取輸出的總和。

另一方面，Boosting通過適應性學習的方式組合了一組弱學習方式：集合中的每個模型都得到了擬合，從而更加重視數(shù)據(jù)集中實例中序列中先前模型存在較大錯誤的實例。XGBoost，AdaBoost，CatBoost是一些例子。

完成模型

驗證數(shù)據(jù)集的預測

當您獲得具有最佳超參數(shù)和合奏的最佳性能模型時，可以在未知的測試數(shù)據(jù)集上對其進行驗證。

在訓練集上創(chuàng)建獨立模型

驗證后，對整個數(shù)據(jù)集運行一次模型，以確保在訓練/測試時不會遺漏任何數(shù)據(jù)點。現(xiàn)在，您的模型處于最佳狀態(tài)。

保存模型以備后用

有了準確的模型后，您仍然需要保存并加載它，以備將來需要時使用。完成此操作的最常用方法是Pickle。

以上就是本文的內(nèi)容。當然，在機器學習方面，這還不是全部。但這可以用作良好的路線圖。對于不同類型的數(shù)據(jù)/問題，需要自己發(fā)揮。在下面評論您的想法，或說一說您是否了解更好和更關(guān)鍵的技術(shù)。

半小時訓練億級規(guī)模知識圖譜，亞馬遜AI開源知識圖譜嵌入表示框架DGL-KE

中國頂尖的技術(shù)社區(qū)們在一個群里，會聊什么…

京東智能內(nèi)容創(chuàng)作算法的演進與實踐：基于關(guān)鍵詞自動生成摘要

馬化騰、馬云并列成為中國首富；百度回應“將上線電商直播”；.NET 5 Preview 2 發(fā)布 | 極客頭條

程序員職場背鍋甩鍋指南

警惕！新騙術(shù)出現(xiàn)：這些虛假二維碼生成器已成功盜取 4.6 萬美元！

“出道” 5 年采用率達 78%，Kubernetes 的成功秘訣是什么？