机器学习过程中的通用步骤

　　我们在进行机器学习过程中一个通用步骤主要有以下几个方面：

　　1）明确问题

　　实现什么目标

　　需要什么数据 这个问题：如果公司有大量的数据，可以确定最终的目标是什么；如果没有则需要通过目标来确定数据集

　　2）获取数据

　　自己公司内部的数据（项目上使用），如数据库等

　　开源数据集，如：UCI、GoogleTrends、Kaggle、AWS公用数据集、Imagenet、MINIST、麻省理工大学人脸识别、歌曲数据库、图像处理COCO、视频数据集youtube等等

　　3）数据格式整理

　　往往我们的数据大多都是数据库文件数据，并不是里面所有的维度信息都是需要用到的，所以这里需要进行相应的处理。

　　把收集到的数据转换为txt，csv，xsl等的形式，方便机器学习库进行读取

　　原始数据的所有的变量量化，进一步转变为含数据（Data）和标签（Labels）的数据框形式，方便建模。

　　4）数据预处理

　　偏差检测：即检查导致偏差的因素，并识别离散值与噪声值。

　　数据清洗：即处理缺失值与噪声。

　　数据标准化

　　5）数据拆分

　　将数据集随机打乱按照7:3或者8比2或者其他拆分为训练集和测试集。

　　6）根据场景采用不同的合适机器学习模型

　　考虑因素：

　　数据的维度大小，数据的质量和数据的特征属性；

　　可以利用的计算资源；

　　所在的项目组对该项目的时间预计；

　　手上的数据能应用在哪些项目中；

　　选择的依据如果要进行降维操作，那么你可以使用主成分分析方法（PCA）；

　　如果要快速进行手写数字预测，那么你可以使用决策树或者逻辑回归；

　　如果要进行数据分层操作，那么你可以使用分层聚类。

　　7）设置损失函数loss

　　0-1损失函数 也就是说，当预测错误时，损失函数为1，当预测正确时，损失函数值为0。该损失函数不考虑预测值和真实值的误差程度。只要错误，就是1。

　　平方损失函数 是指预测值与实际值差的平方。

　　绝对值损失函数 该损失函数的意义和上面差不多，只不过是取了绝对值而不是求绝对值，差距不会被平方放大。

　　对数损失函数

　　Hinge loss

　　8） 设置学习率

　　对于不同大小的数据集，调节不同的学习率

　　在每次迭代中调节不同的学习率

　　9）测试，检验

　　综上整个大致流程如图所示：

　　
责任编辑人：CC