机器学习实战——基于Scikit-Learn和TensorFlow 阅读笔记 之 附录B：机器学习项目清单

《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：

1. 架构问题，关注蓝图。
2. 获取数据。
3. 研究数据以获取灵感。
4. 准备数据以更好地将低层模型暴露给机器学习算法。
5. 研究各种不同的模型，并列出最好的模型。
6. 微调模型，并将其组合为更好的解决方案。
7. 提出解决方案。
8. 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

1. 用商业术语定义目标。
2. 方案如何使用？
3. 目前的解决方案/办法是什么?
4. 应该如何架构问题（有监督/无监督，在线/离线，等等）？
5. 如何测量性能？
6. 性能指标是否与业务目标一致？
7. 每个业务目标需要的最低性能是什么？
8. 有没有一些相似的问题？能重用一些经验和工具吗？
9. 有没有相关有经验的人？
10. 如何手动解决此问题？
11. 列出目前为止（或其他人）的假设。
12. 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。

1. 列出需要的数据及其体量。
2. 查找并记录获取数据的途径。
3. 检查需要的空间。
4. 检查法律义务，必要时获取授权。
5. 获取访问权限。
6. 创建工作空间（确保有足够的存储空间）。
7. 获取数据。
8. 将数据转换为可操作的格式（不改变数据本身）。
9. 确保删除或保护敏感信息（例如，匿名）。
10. 检查数据的类型和大小（时间序列、样本、地点等）。
11. 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。

1. 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）。
2. 创建一个Jupyter笔记本来记录数据研究。
3. 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）。
4. 对于有监督的学习任务，确认目标属性。
5. 可视化数据。
6. 研究属性之间的相关性。
7. 研究如何手动解决问题。
8. 确定希望使用转换。
9. 确定可能有用的额外数据（回到之前的“获取数据”部分）。
10. 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。

1. 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）。
2. 特征选择（可选）：
   删除不能为任务提供任何有用信息的属性。
3. 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。

1. 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。
2. 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。
3. 分析每个算法最重要的变量。
4. 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？

5. 快速进行特征选择和处理。
6. 对前面五步进行一两次快速迭代。
7. 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。

1. 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））。
2. 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。
3. 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

1. 文档化你所做的工作。
2. 创建完美的演示。
   首先确保突出蓝图。
3. 解释为什么你的解决方案达到了业务目标。
4. 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。
5. 确保你的关键发现被完美展示或易于记忆的陈述。

8 启动

1. 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）。
2. 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。
3. 定期对新数据重新建模（尽可能自动化）。