实用机器学习——建模前/后处理

实用机器学习(中文版)—李沐：https://www.bilibili.com/video/BV1Xh411p7M9?share_source=copy_web

实用机器学习

数据处理

数据预处理的部分

python可以采用pandas基本实现，可以先看下数据

• 比如一些常见的看是否有空值、describe中的最大值，均值，最小值；

• 有的数据是严格的非负数，出现了肯定是异常值，以及有些特定的工业检验值是有一个大致的范围，太高太低明显是脏数据；

• 部分数据我们还需要经过log函数处理，log10可以让分布均匀点；

数据预处理可视化分析的部分

可用一些常见的分布图

• seaborn.histplot；

• seaborn.displot(data,x=x轴,hue=‘type’（不同线的按照类别）,kind=‘kde’（密度分布）)；

• seaborn.boxplot(箱型图)（箱型图可以看到中间部分数据所在范围对比，下图为箱型图）；

• seaborn.heatmap(协方差图，类似相关系数图，可看不同列之间的相关性)

数据清洗的部分

这里主要是表格形式数据

• 部分数据类别错误，一般可以修改/删除；

• 在箱型图中，上下两边的距离中间盒子的距离是1.5倍(默认1.5，可变换)的高度，一般认为这样的值是合理的，在此之外的是点表示，认为是错误的（注意具体问题具体分析，或许有些值是异常，但有时候也可能不是）；

• 有时候某些特征列值有因果关系或者是某种正比反比的相关性，也需要判断；

• 有时候某些列的类型是固定的，比如整型，考虑怎么转，或者丢掉。

数据变形的部分

• 表格数据

  • 归一化，固定在某个区间，一般是0-1区间内；
  • 取对数log；
  • 标准化，一般约束在-1-1之间；

• 图片数据可改变图片分辨率大小、剪裁下采样等；

• 视频图片可采样帧。文本一般先分词。

特征工程的部分

• 表格数据
  • 表格形式的整型或者浮点型数据，要么直接就用或者划分多个区间(实则就是将连续型数据变成了离散值)；
  • 对于一些离散型的字符串类型的数据，可以采用独热编码；
  • 时间类型的数据可以展开，比如展开为年、月份、日，一年那一天，星期是哪个星期、是星期几；
  • 组合特征，实则是笛卡尔积，就是某个特征m个列值和另外一个特征n个列值，组合产生m*n种情况；
• 文本数据
  • 对于文本数据，一句话可以将其分词，统计词频，但这样就失去了语句中词的顺序性；
  • 对于文本数据，部分方法可将词可转换为向量，向量之间具有一定的语义性（比如word2vec、BERT、GPT-3）
• 图片数据
  • 现在用预训练好的深度神经网络来做（ResNet,I3D）

绝大多数互联网企业的数据还是表格类型的格式化数据，因而主要的机器学习就可方便处理，可能涉及深度学习不是很多

评估+调参

评估

• 目前主要的回归看的是r^2，也比较考虑mse、mae，分类主要是看f1，也比较考虑auc曲线、召回率；聚类主要看轮廓系数；

• 过拟合和欠拟合部分

  • 关心的是泛化误差而不是训练误差（在新的数据上模型的表现情况）；
  • 模型复杂度：模型能够去拟合各种各样函数的能力；
  • 数据复杂度：数据里面有多少信息，信息量越大，数据复杂度越大；
  • 模型选择：需要去选择一个合适的模型去避免欠拟合和过拟合【模型复杂度过高导致的过拟合(overfitting)，模型复杂度过低导致的欠拟合（underfitting）】；

• k折交叉验证法：常用的检验训练集和验证集的方法，现在很多用测试集代替了验证集，但按照规范，测试集只能使用一次，用来衡量泛化误差；

• 偏差和方差

  • 偏差：训练到的模型与真实模型之间的区别；
  • 方差：每次学习的模型之间差别有多大；
  • 减小偏差：偏差很大，说明模型复杂度可能不够，可以使用一个模型复杂度高一点的模型（在神经网络中可以 增加层数 增加隐藏层单元个数（宽度））；也可使用【Boosting；Stacking】
  • 减小方差：方差太大可能代表你的模型过于复杂，我们可以是用一个简单点的模型，或者是使用正则化（使用L2，L1正则项，限制住每个模型能够学习的范围）；也可使用【Bagging；Stacking】
  • 降低噪声：在统计学习中，这个是不可以降低的误差，但是在真实的场景，这是来自于数据采集，可以通过更精确的数据采集，更干净的数据来使得噪声降低
  • 集成学习：使用多个模型来提升性能

调参

• 人工记录
  • 将版本记录，或者将每一次的参数记录在excel/txt文件，方便比较对比

重复实验是很难的，最好及时记录，比如会有硬件的差异、库的差异、代码的差异、随机性也有可能不一样(可以指定随机种子)

• 机器调参

  • 比如跑循环，遍历大多数参数
  • 自动调参(AutoML) ：HPO

超参数优化

HPO：

• BO

  • 网格搜索

    • 穷举，对每一组值进行迭代，每多一个参数就是指数级别的增长

  • 随机搜索（主选）

    • 只选择n次，每一次随机取一组参数值，n的值要取合适，玄学，也可以给定时间，到什么时候结束

  • 贝叶斯优化

    • 根据当前选择参数的进行预测一个值，会根据两个条件选择下一参数：1、置信的区间比较大；2、根据超参数拟合出的目标函数(可能是评价的指标)越大越好

• Multi-Fidelity

  • Successive Halving
    • 选择n个超参数，每个超参数训练m个数据样本，第一次训练结果后保留n/2的超参数，将数据样本提升2m，并进行训练，下一次又保留一半在训练提升一倍，以此类推
  • Hyperband
    • 多个successive halving，开始m比较小、n比较大的如同上面的进行一直到结束，第二个就是n变小，m变大直到结束，以此类推