前序工作：数据清洗、数据采样、特征工程、模型选择、交叉验证、寻找最佳超参。
1. 分析数据的各属性，查看各属性的数据是否齐全；
2. 可以利用describe()函数对数据进行一个全面的认识；
3. 可以绘制条形图来查看各个属性或多个属性对目标类别的影响；
4. 遇到缺失值要对缺失值进行处理：
若缺值的样本数占总数比例极高，则可以直接舍弃；
若缺值的样本适中，且该属性为非连续值特征属性，则可以将NaN作为一个新类别；
若缺值的样本适中，且该属性为连续值特征属性，则可以考虑离散化，将NaN作为一个新类别；
若缺值的样本不是很多，则可以利用已有的值拟合一下数据。
5. 对于类目型特征可以进行因子化one-hot编码；
6. 若有的属性的数值范围变化较大，可以对其进行标准化；
7. 构建完模型后可以利用学习曲线判定一下当前模型所处的状态（欠拟合或过拟合）；
过拟合解决方法：做一下特征选择，挑出较好的特征训练；
提供更多的数据；
欠拟合解决方法：需要更多的特征；
8. 做交叉验证来优化模型系统；
9. 通过模型融合来优化模型。