版权声明:访问者可将本博客提供的内容或服务用于个人学习、研究或欣赏,以及其他非商业性或非盈利性用途,但同时应遵守著作权法及其他相关法律的规定,不得侵犯本网站及相关权利人的合法权利。除此以外,将本网站任何内容或服务用于其他用途时,须及时征得本网站及相关权利人的明确许可。 https://blog.csdn.net/qq_38262728/article/details/87931547
《机器学习实战——基于Scikit-Learn和TensorFlow》
这是一本非常好的机器学习和深度学习入门书,既有基本理论讲解,也有实战代码示例。
我将认真阅读此书,并为每一章内容做一个知识笔记。
本机器学习项目清单对于如何开始一个机器学习项目,如何一步步地去实现,具有非常好的指导作用。
机器学习项目清单
该清单可以帮助你完成你的机器学习项目。主要有8步:
- 架构问题,关注蓝图。
- 获取数据。
- 研究数据以获取灵感。
- 准备数据以更好地将低层模型暴露给机器学习算法。
- 研究各种不同的模型,并列出最好的模型。
- 微调模型,并将其组合为更好的解决方案。
- 提出解决方案。
- 启动、监视、维护系统。
当然,为了满足需求,你可以随时调整这个清单。
1 架构问题,关注蓝图
- 用商业术语定义目标。
- 方案如何使用?
- 目前的解决方案/办法是什么?
- 应该如何架构问题(有监督/无监督,在线/离线,等等)?
- 如何测量性能?
- 性能指标是否与业务目标一致?
- 每个业务目标需要的最低性能是什么?
- 有没有一些相似的问题?能重用一些经验和工具吗?
- 有没有相关有经验的人?
- 如何手动解决此问题?
- 列出目前为止(或其他人)的假设。
- 如果可能的话,验证假设。
2 获取数据
注意:尽可能的自动化,以便获取最新数据。
- 列出需要的数据及其体量。
- 查找并记录获取数据的途径。
- 检查需要的空间。
- 检查法律义务,必要时获取授权。
- 获取访问权限。
- 创建工作空间(确保有足够的存储空间)。
- 获取数据。
- 将数据转换为可操作的格式(不改变数据本身)。
- 确保删除或保护敏感信息(例如,匿名)。
- 检查数据的类型和大小(时间序列、样本、地点等)。
- 采样一个测试数据集,放在一边,永远不要用它(没有数据窥视!)。
3 研究数据
注意:试着从这些步骤的领域专家那里获取灵感。
- 创建数据的副本用于研究(如果需要,可以将其抽样为可管理的大小)。
- 创建一个Jupyter笔记本来记录数据研究。
- 研究每个属性及其特征:
名字。
类型(分类、整形/浮点型、有界/无界、文本、结构等)。
缺失值的百分比。
噪音和噪音类型(随机、异常、舍入误差等)。
可能有用的任务?
分布类型(高斯、统一、对数等)。 - 对于有监督的学习任务,确认目标属性。
- 可视化数据。
- 研究属性之间的相关性。
- 研究如何手动解决问题。
- 确定希望使用转换。
- 确定可能有用的额外数据(回到之前的“获取数据”部分)。
- 记录学习到的东西。
4 准备数据
注意:
- 在数据的副本上工作(保持原始数据集不变)。
- 编写适用于所有数据转换的函数,原因有五个:
可以很容易地准备下一次得到新数据时的数据。
可以在未来的项目中使用这些转换。
清理和准备测试数据集。
一旦解决方案失败,用来清理和准备新数据实例。
可以轻松地将你的准备选择作为超参数。
- 数据清理:
修复或删除异常值(可选)。
填充缺失值(例如:使用零、平均数、中位数等)或删除该行(或列)。 - 特征选择(可选):
删除不能为任务提供任何有用信息的属性。 - 在适当的情况下,处理特征:
离散连续特征。
分解特征(如,分类、日期/时间等)。
添加期望的特征转换(如,log(x),sqrt(x)、x^2等)。
聚合特征称为期望的新特征。
5 列出期望的模型
注意:
- 如果数据很大,可能需要采样为较小的训练集,以便于在合理的时间内训练不同的模型(注意,这会对诸如大型神经网络或随机森林等复杂模型造成不利影响)。
- 再次,尽可能地自动化这些步骤。
- 使用标准参数,从不同类型(例如,线性、朴素贝叶斯、SVM、随机森林、神经网络等)中训练需求快速的不成熟的模型。
- 测量并比较它们的性能。
对于每个模型,使用N倍交叉验证并计算N次折叠的性能测试的均值和标准差。 - 分析每个算法最重要的变量。
- 分析模型产生的错误类型。
- 人类用什么样的数据避免这些错误?
- 快速进行特征选择和处理。
- 对前面五步进行一两次快速迭代。
- 列出前三到五个最有希望的模型,倾向于选择有不同错误类型的模型。
6 微调系统
注意:
- 你将希望为这一步使用尽可能多的数据,特别是在微调结束时。
- 永远尽可能地自动化。
- 使用交叉验证微调超参数。
把数据转换选择当作超参数,尤其是不确定时(例如,应该用零或者平均值填充缺失值吗?或者直接删除它?)
除非需要研究的超参数值很少,否则更喜欢在网络搜索上随机搜索。如果训练很长,你可能更喜欢贝叶斯优化方法(例如,如Jasper Snoek、Hugo Larochelle和Ryan Adams所述,使用高斯过程进行先验(http://goo.gle/PEFfGr))。 - 尝试使用组合方法。组合多个好模型往往比单独运用效果好。
- 一旦你对最终模型有信心,在测试集上测量它的性能以估计泛化误差。
测量泛化误差后,不要调整模型:只需要开始过度拟合测试集。
7 展示解决方案
- 文档化你所做的工作。
- 创建完美的演示。
首先确保突出蓝图。 - 解释为什么你的解决方案达到了业务目标。
- 不要忘记展示你发现的一些有趣的地方。
描述什么可以工作,什么不行。
列出你的假设和系统的局限性。 - 确保你的关键发现被完美展示或易于记忆的陈述。
8 启动
- 准备好生产环境的解决方案(插入生产数据输入,写单元测试等)。
- 编写监控代码,定期检查系统的性能,出问题时及时报警。
同样需要考虑缓慢退化:随着数据的增加,模型往往会“腐烂”。
测量性能可能需要人工流水线(例如,众包服务)。
同时监控输入质量(例如,发送随机值的故障传感器,或其他团队的输出过时)。这对在线学习尤为重要。 - 定期对新数据重新建模(尽可能自动化)。