Part 1-2 算法思路：
下面我们根据前文对数据集的认识，分析问题和解题思路。
其实讲述算法思路是一件十分复杂和困难的事儿，按照自上向下的顺序结合一位大佬的文章，谈一谈：
一，说到思路，其实就是数据、特征、模型三个部分，数据预处理服务于特征工程，特征服务于模型，又决定了模型的上限。这三部分密不可分，而且在后续的流程中还会返回来完善、改进前面的工作；
二，开始我们仍未对特征作用于模型的效果有所尝试，故首先建立一般框架，尤其是对新手来说的一些流程和经验，但是某个问题、思路说起来很容易深入下去，钻牛角尖；
三，从问题入手，这是一个有监督回归问题，常用的回归方法有哪些呢？
刚学习了算法的小伙伴，可能对于回归的算法心中只有一种：最小二乘线性回归；其实，各种分类算法都有他的回归算法实现。
少略总结如下：
线性回归类（lasso回归、岭回归），决策树-集成树回归类（决策树回归，随机森林回归，GBDT回归，xgboost回归），
SVM回归，神经网络回归等。调用sklearn包均可实现。。
四，泛泛的画图说一下分类与回归，具体内容还有待完善，毕竟我也是新手：
本次血糖预测是一个回归问题，但是前面分析也看到了，血糖分布极不均衡，而评分标准又是MSE，MSE会放大误差。
（此处转载一位大佬的分析，十分透彻，并作了适当修改）
一般把大于6.1的认为是高血糖，大于11.1的认为是糖尿病。在训练集提供的5642个实例中，大于6.1的911个，大于11.1的97个。如果测试集的分布与训练集一致，大约有17个实例血糖在11.1以上。
链接：https://www.jianshu.com/p/3e4e456b397e
來源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
五，要注意数据量少，避免过拟合的问题。此处考虑模型和特征问题，有人说加上id竟然有用，这种特征实不可取，一定不具有泛化能力，体检日期若范围较大可能会有效果（实际上也是和天气相关），该问题体检时间比较集中在10,11月份的某几天，故体检日期字段去掉比较好。在构造特征的过程中，也要控制过拟合的问题。另外在调参中也要注意防止过拟合，提高模型鲁棒性，这一问题我们在比赛过程中一直难以衡量，用sklearn中的验证曲线、学习曲线函数很有必要，今后还要多多尝试，否则线下表现好了仍然要担心线上表现，因为你并不知道是否发生了过拟合。
六，特征工程是这一类问题的核心，一般模型我们就选工业上速度快、性能好的几个，并没有太大选择空间，不会去考虑神经网络、SVM那些的回归方法~ 新手们到达模型这一阶段时，有必要学习一下之前学习不曾涉及的xgboost，lightbgm等等。故特征工程会占用很大的精力，特征工程是一项十分复杂的东西，而一些课程、书面上的介绍十分浅显，内容不足，缺乏实践，详细的特征工程后面会细心介绍、探索。
七，我们从算法思路，到模型、特征，最后才是底层的数据分析和预处理，特征决定模型的上限，而数据的处理则是特征的基础，无需赘言吧，缺失值必须要填充，而数据的异常点（噪声或者标注错误的），也要通过数据 分析的手段识别出来并处理，后文会对此介绍。
八，杂乱无章的罗列了这些算法思路，希望对初次实践的新手有所帮助，我再次转载了那位大佬的一段话，一些想法：
(1) 一般去医院看病有问题的居多，所以相对正常值有些偏差，医生也可能作出有倾向性的判断。
(2) 该题可以把已有的知识和算法融合，使用一些现成的数据，比如正常范围。
(3) 周末检查拿结果的可能是比较特殊的病人。
(4) 岁数分成几段，更具代表意义。
(5) 可将数据修改为正常值，偏高，偏低，几个层次，做分段特征。
(6) 考虑病情比较严重的情况，可能需要分开处理，作为噪点先拿出来。
(7) 预测只是想知道被测试人是否为糖尿病，而不关注是预测与实际值的微小差距，所以也可以将其处理为分类问题。
(8) 可能需要对误差函数和评价函数做微调。
作者：xieyan0811
链接：https://www.jianshu.com/p/3e4e456b397e
來源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
总结：对于数据挖掘，没有固定的流程和思路，也没有绝对的正确与错误，不同的业务领域，不同的目标值的分布，对于数据处理、特征工程都会有不同的套路，随时出现的一些小想法都可能对算法的改进有所帮助。既要有一整套方法论，也要有各种创新的idea.
对于算法的思路就介绍到此，后面每一部分都会渗透着整体的算法思想，还要在实践的过程中不断加深对问题的理解。考虑到每一步流水线都充斥着sklearn包的使用，下面一节对此工具包进行简要介绍~熟悉的跳过~