成功的机器学习项目的关键要素

1、充分吃透业务逻辑：它关系到后续取数的逻辑，正负例的定义，特征工程的构造等；

2、充足的数据量：它定义了场景所能达到效果的上限；

3、严格的数据清洗与标记：糟糕的处理，如混乱的正负例标记，将使任何优秀的算法失灵；

4、合理的特征工程：特征构造、特征缩放（MinMaxScaler, StandardScaler）、特征选择（过滤、搜索），兵不在多在于精（2^f = n）；

5、合适的算法选型：聚类，分类，回归，集成；

6、调参的艺术：学习曲线（固定模型复杂度，通过样本量递增观察预测效果），复杂度曲线（固定样本量，通过调节模型复杂度观察预测效果），网格搜索 + 交叉验证。

sklearn 算法选型指南