Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
hands-on-ml-zh
提交
00278a68
H
hands-on-ml-zh
项目概览
OpenDocCN
/
hands-on-ml-zh
通知
13
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
H
hands-on-ml-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
前往新版Gitcode,体验更适合开发者的 AI 搜索 >>
提交
00278a68
编写于
2月 18, 2019
作者:
Q
qiwihui
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
docs(附录): 增加附录 B、机器学习项目清单
上级
dbe25ac8
变更
3
隐藏空白更改
内联
并排
Showing
3 changed file
with
166 addition
and
0 deletion
+166
-0
README.md
README.md
+1
-0
SUMMARY.md
SUMMARY.md
+1
-0
docs/B.机器学习项目清单.md
docs/B.机器学习项目清单.md
+164
-0
未找到文件。
README.md
浏览文件 @
00278a68
...
...
@@ -46,6 +46,7 @@
### 附录
*
[
附录 B、机器学习项目清单
](
docs/B.机器学习项目清单.md
)
*
[
附录 C、SVM 对偶问题
](
docs/C.SVM_对偶问题.md
)
*
[
附录 D、自动微分
](
docs/D.自动微分.md
)
...
...
SUMMARY.md
浏览文件 @
00278a68
...
...
@@ -16,5 +16,6 @@
+
[
十四、循环神经网络
](
docs/14.循环神经网络.md
)
+
[
十五、自编码器
](
docs/15.自编码器.md
)
+
[
十六、强化学习
](
docs/16.强化学习.md
)
+
[
附录 B、机器学习项目清单
](
docs/B.机器学习项目清单.md
)
+
[
附录 C、SVM 对偶问题
](
docs/C.SVM_对偶问题.md
)
+
[
附录 D、自动微分
](
docs/D.自动微分.md
)
docs/B.机器学习项目清单.md
0 → 100644
浏览文件 @
00278a68
# 附录 B、机器学习项目清单
> 译者:[@qiwihui](https://github.com/qiwihui)
此清单可以指导你完成机器学习项目。主要有八个步骤:
1.
将问题框架化并且关注重点。
2.
获取数据。
3.
探索数据以洞悉数据。
4.
准备数据以更好地将基础数据模式暴露给机器学习算法。
5.
探索多种不同的模型并列出最好的那些。
6.
微调模型并将它们组合成一个很好的解决方案。
7.
展示你的解决方案。
8.
启动,监督并维护你的系统。
显然,你应该根据你的需求调整此清单。
## 将问题框架化并且关注重点
1.
用业务术语定义目标。
2.
你的解决方案将如何使用?
3.
目前的解决方案/解决方法(如果有的话)是什么?
4.
你应该如何解决这个问题(监督/非监督,在线/离线等)?
5.
如何度量模型的表现?
6.
模型的表现是否和业务目标一致?
7.
达到业务目标所需的最低性能是多少?
8.
类似的问题如何解决?是否可以复用经验或工具?
9.
人员是否专业?
10.
你如何动手解决问题?
11.
列出目前你(或者其他人)所做的假设。
12.
如果可能,验证假设。
## 获取数据
注意:尽可能自动化,以便你轻松获取新数据。
1.
列出你需要的数据和数据量。
2.
查找并记录你可以获取该数据的位置。
3.
检查它将占用多少存储空间。
4.
检查法律义务并在必要时获取授权。
5.
获取访问权限。
6.
创建工作目录(拥有足够的存储空间)。
7.
获取数据。
8.
将数据转换为你可以轻松操作的格式(不更改数据本身)。
9.
确保删除或保护敏感信息(比如,匿名)。
10.
检查数据的大小和类型(时间序列,样本,地理信息等)。
11.
抽样出测试集,将它放在一边,以后不需要关注它(没有数据窥探!)。
## 探索数据
注意:尝试从领域专家那获取有关这些步骤的见解。
1.
创建用于探索的数据副本(如有必要,将其取样为可管理的大小)。
2.
创建一个 Jupyter 笔记本来记录你的数据探索。
3.
研究每个属性及其特征:
-
名称;
-
类型(分类,整数/浮点数,有界/无界,文本,结构化数据等);
-
缺失数据的百分比;
-
噪声点和它的类型(随机点,异常点,舍入误差等);
-
对任务可能有用吗?
-
分布类型(高斯分布,均匀分布,对数分布等)。
4.
对于监督学习任务,确定目标属性。
5.
可视化数据。
6.
研究属性间的相关性。
7.
研究怎如何手动解决问题。
8.
确定你想要应用的有效的转换。
9.
确定有用的额外数据。
10.
记录你所学到的知识。
## 准备数据
注意:
-
处理数据副本(保持原始数据集完整)。
-
为你应用的所有数据转换编写函数,原因有五:
-
你可以在下次获得新数据集时轻松准备数据
-
你可以在未来的项目中应用这些转换
-
用来清洗和准备测试数据集
-
一旦项目上线你可以用来清洗和准备新的数据集
-
为了便于将你的准备选择视为超参数
1.
数据清洗:
-
修正或移除异常值(可选)。
-
填补缺失值(比如用零,平均值,中位数等)或者删除所在行(或者列)。
2.
特征提取(可选):
-
丢弃不提供有用信息的属性;
3.
适当的特征工程:
-
连续特征离散化。
-
分解特征(比如分类,日期/时间等)。
-
对特征添加有益的转换(比如 log(x),sqrt(x),x^2 等)
-
Aggregate features into promising new features. 将一些特征融合为有益的新特征
4.
特征缩放:标准化或者正规化特征。
## 列出有用模型
注意:
-
如果数据量巨大,你可能需要采样出较小的训练集,以便在合理的时间内训练许多不同的模型(请注意,这会对诸如大型神经网络或随机森林等复杂模型进行处罚)。
-
再次尝试尽可能自动化这些步骤。
1.
使用标准参数训练许多快速、粗糙的模型(比如线性模型,朴素贝叶斯模型,支持向量机模型,随机森林模型,神经网络等)。
2.
衡量并比较他们的表现。
-
对于每个模型,使用 N 折交叉验证法,并且计算基于 N 折交叉验证的均值与方差。
3.
分析每种算法的最重要变量。
4.
分析模型产生的错误类型。
-
人们用什么数据来避免这些错误?
5.
进行一轮快速的特征提取和特征工程。
6.
对之前的五个步骤进行一两次的快速迭代。
7.
列出前三到五名最有用的模型,由其是产生不同类型错误的模型。
## 微调系统
注意:
-
这一步你将会使用尽可能多的数据,特别是当你微调结束时。
-
像之前一样尽可能自动化。
1.
使用交叉验证方法调节超参数
- 要像调节超参数那样对待数据转换的过程,特别是当你不知如何下手的时候(比如,我应该是用零或中值替换缺失值吗?或者直接丢弃它们?)
- 除非要探索的超参数值非常少,否则最好使用随机搜索而非网格搜索。如果训练的时间很长,你应该使用贝叶斯优化方法(比如,使用在 [Jasper Snoek,Hugo Larochelle 和 Ryan Adams 的论文](https://arxiv.org/pdf/1206.2944.pdf)中描述的,用高斯处理先验)
2.
尝试集成方法,结合最佳模型通常比单独运行它们更好。
3.
一旦你对最终的模型有自信,请在测试集上测量其性能以估计泛化误差。
> 在测量泛化误差后不要调整模型:你会开始过度拟合测试集的。
## 展示你的解决方案
1.
将你做的工作整理成文档。
2.
制作精美的演示。
-
确保你首先突出重点。
3.
解释你的解决方案实现业务目标的原因。
4.
不要忘记展示在这过程中你注意到的有趣的点。
-
描述哪些有效,哪些无效。
-列出你的假设和系统的限制。
5.
确保通过精美的可视化或易于记忆的陈述来传达你的主要发现(例如,“收入中位数是房价的第一预测因子”)。
## 启动
1.
准备好生产解决方案(插入生产数据输入,编写单元测试等)。
2.
编写监控代码以定期检查系统的实时性能,并在信号丢失时触发警报。
-
谨防模型退化:随着数据的进入,模型往往会“腐烂”。
-
评估模型可能需要大量的人力(比如,通过众包服务可以解决这个问题)
-
同时监控输入数据的质量(例如,一个有故障的传感器发送随机数据,或者另外一个团队的输出变得陈旧),这对于在线学习系统尤其重要。
3.
定期在新数据上重新训练模型(尽可能自动化)。
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录