Press "Enter" to skip to content

聊聊机器学习的套路

这里说说机器学习问题分析的一般性过程,尽管存在各种各样的机器学习问题,但大体上的步骤及最佳实践都有一定的套路。

 

理解问题

 

首先得理解要解决的是什幺问题,比如

业务上要解决什幺问题
该问题涉及到的信息管道有哪些
如何采集数据,数据源在哪
数据是完整的吗,数据刻度最小是多少
数据是定期发布的还是实时获取的
确定影响模型的有价值因素
工作量

以上等等等等。

 

ETL处理

 

待收集的数据可能是表格数据、一串实时数据,N维矩阵或其他类型数据,同时也可能是多种存储介质,通过ETL处理将混合的数据源转成我们需要的格式,生成结构化数据类型。

 

数据预处理

 

对于收集的数据,可能存在缺陷,比如空值、异常值或数据产生器本身引起的偏差。这些缺陷可能导致模型效果不佳,同时为了优化更快收敛,需要做数据标准化处理,所以需要进行数据预处理。

 

比如缺失值可以简单设为0、列平均值、中值、最高频率值、甚至是稳健算法和knn等等。

 

比如标准化数据集,使数据集正态分布,平均值为0标准差为1。而且还达到了特征缩放效果。

 

模型定义

 

机器学习主要就是模型问题,我们通过机器学习来对现实进行抽象建模,以解决现实问题。所以机器学习主要工作就是使用哪种模型来建模,尽管各种大大小小模型一大堆,但大体上也有些套路。

要完成的任务是预测结果还是对数据进行分类,前者是回归问题,后者是分类问题。
对于分类问题,如果需要数据标记,则是监督学习,否则是非监督学习,使用聚类技术。
数据是否为连续的,是的话考虑序列模型,比如自回归和RNN之类的。
尽量使用简单模型,如果能用比如用单变量或多变量的线性回归或逻辑回归。
简单模型解决不了的情况,可通过多层神经网络解决,比如复杂的非线性。
使用了多少个维度的变量,将作用大的特征提取出来,并把不重要的特征去掉,比如用PCA降维。
不是监督也不是非监督?考虑强化学习?

损失函数

 

损失函数用于衡量模型质量,它可以度量模型预测值与实际期望之间的差距,选择不合适的函数可能会影响模型的准确性,甚至影响收敛速度。

 

模型训练

 

数据准备好了,模型定义好了,就可以开始训练模型。训练中涉及几个关键术语:迭代,表示模型计算和调整的一次过程;批,数据集每次以一批为单位输入到模型中;epoch,每当整个数据集被处理完称为一个epoch。

 

另外,训练模型前先调整模型的初始权重,以便能更快更好地收敛。不能初始化为0,否则将导致学习失败。一般可以使用标准化技术将权重初始化。

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注