【ML笔记】1、完整的机器学习项目与典型的回归任务

 《Hands on Machine Learning with Scikit Learn and TensorFlow》学习笔记

完整地学习一个案例项目包括以下主要步骤：

1. 项目概述
2. 获取数据
3. 发现并可视化数据，发现规律
4. 为机器学习算法准备数据
5. 选择模型，进行训练
6. 微调模型
7. 给出解决方案
8. 部署、监控、维护系统

首先，你需要划定问题：监督、非监督还是强化学习？这是个分类任务、回归任务，还是其它的？要使用批量学习还是线上学习？
例如房价预测系统，很明显，这是一个典型的监督学习任务，因为你要使用的是有标签的训练样本（每个实例都有预定的产出，即街区的房价中位数）。并且，这是一个典型的回归任务，因为你要预测一个值。讲的更细些，这是一个多变量回归问题，因为系统要使用多个变量进行预测（要使用街区的人口，收入中位数等等）。

1、性能指标

回归问题的典型指标是均方根误差（RMSE）。均方根误差测量的是系统预测误差的标准差。例如，RMSE等于50000意味着，68%的系统预测值位于实际值的50000美元以内，95%的预测值位于实际值的100000美元以内（一个特征通常符合高斯分布，即满足“68-95-99.7”规则：大约68%的值落在1σ内，95%的值落在2σ内，99.7%的值落在3σ内，这里的σ等于50000）。

虽然大多数时候RMSE是回归任务可靠的性能指标，在有些情况下，你可能需要另外的函数。例如，假设存在许多异常的训练数据。此时，你可能需要使用平均绝对误差（Mean Absolute Error，也称作平均绝对偏差）。

RMSE和MAE都是测量预测值和目标值两个向量距离的方法。

2、核实假设

例如，你的系统输出的街区房价，会传入到下游的机器学习系统，我们假设这些价格确实会被当做街区房价使用。但是如果下游系统实际上将价格转化成了分类（例如，便宜、中等、昂贵），然后使用这些分类，而不是使用价格。这样的话，获得准确的价格就不那么重要了，你只需要得到合适的分类。问题相应地就变成了一个分类问题，而不是回归任务。你可不想在一个回归系统上工作了数月， 最后才发现真相。

3、选择模型

线性回归、决策树、随机森林。