美文网首页数据科学家每天写500字书房就是我的全世界
【机器学习知识体系】- 机器学习问题的一般流程

【机器学习知识体系】- 机器学习问题的一般流程

作者: 不会停的蜗牛 | 来源:发表于2019-04-07 23:28 被阅读13次

    今天开始会陆续将之前的文章做一下梳理,整理出一个完整的知识体系,有需要的伙伴们可以更方便地查找自己需要的知识点。

    这里提到的三篇文章比较全地展示了机器学习问题的一般流程:

    1. 一个框架解决几乎所有机器学习问题

    这篇文章介绍了应用算法解决 Kaggle 问题,一般有以下几个步骤,
    以及每个步骤的简要定义和常用方法:

    第一步:识别问题
    第二步:分离数据
    第三步:构造提取特征
    第四步:组合数据
    第五步:分解
    第六步:选择特征
    第七步:选择算法进行训练

    这篇文章中的关键知识点:

    • 为什么需要将数据分成 train/valid/test 部分?
    • 每种模型需要调节什么参数?
    • 179种分类模型在UCI所有的121个数据上的性能比较
    • 训练集 & 测试集应用模型的流程有什么区别?

    2. 通过一个kaggle实例学习解决机器学习问题

    这篇文章用一个实例来将上一篇的流程应用了一下:

    Data Exploration
    Data Cleaning
    Feature Engineering
    Model Building
    Ensemble Learning
    Predict

    以及建立 训练 并用模型预测的过程:

    从 sklearn 导入分类器模型后,定义一个 KNN,
    定义合适的参数集 parameters,
    然后用 get_model 去训练 KNN 模型,
    接下来用训练好的模型去预测测试集的数据,并得到 accuracy_score,
    然后画出 learning_curve。

    这篇文章中的关键知识点:

    • 分类问题的常用数据探索方法
    • 缺失值如何处理?
    • 如何通过原始变量构造新的特征?

    3. 从 0 到 1 走进 Kaggle

    这篇文章介绍了 Kaggle 比赛的一般流程:

    探索数据
    特征工程
    建立模型
    调参
    预测提交

    文章中的关键知识点:

    • 如何探索数据?
    • 如何构造特征?

    相关文章

      网友评论

        本文标题:【机器学习知识体系】- 机器学习问题的一般流程

        本文链接:https://www.haomeiwen.com/subject/hccjiqtx.html