机器学习项目清单流程

机器学习项目清单,主要有八步

  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。

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. 列出目前为止你(或其他人)的假设。
  12. 如果 可能的话,验证假设。

获取数据

  • 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(确保具有足够的存储空间)。
  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! )。

研究数据

  • 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、整型/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。

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
    • 一旦解决方案失效,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)
  1. 特征选择 (可选)
    • 删除不能为任务提供任何有用信息的属性
  2. 在适当情况下, 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)、 x2 等)
    • 聚合特征称为期望的新特征

列出期望的模型

  • 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集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,从不同类别(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。

微调系统

  • 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,否则更喜欢在网格搜索上随机搜索。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(ttps:/oo.gl/PEFfGr)) 。
  2. 尝试组合方法。组合多个好模型往往比单独运行效果好。
  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。
  4. 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。

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
  5. 确保你的关键发现被完美展示或易于记忆的陈述。

启动

  1. 准备好生产环境的解决方案(插入生产数据输人,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),这对在线学习系统尤为重要
  3. 定期对新数据重新建模(尽可能自动化)

你可能感兴趣的:(科研文献,Python,机器学习,人工智能,深度学习,python)