机器学习流程
文章来源：
https://blog.csdn.net/han_xiaoyang/article/details/50469334
https://blog.csdn.net/han_xiaoyang/article/details/52910022
1. 常用算法
（from 七月在线-kaggle竞赛视频）。
2. 流程
3. 知识点
1. 样本不均衡时，如正负样本10：100，解决办法。
（样本不均衡的坏处，如1：100，把数据都判断为负类，在训练时数据误差很低，但是预测时很不准确）
1）将正样本上采样（正样本重复若干次）
2）损失函数（加大正样本的loss）
3）把负样本分成10分，分别与正样本去训练。如bagging去投票
2. 工具
pandas：数据量大的时候，一个特征维度的去做。
hive sql / spark sql
3. 缺省
缺省很小：填充
缺省很大：舍去
缺省适中：把缺省当作一个特征
4. 数据域
当前数据域分布没有规律，可以变换到log域、指数域----可能数据会呈现一定的规律
时间类数据：间隔、与其他特征组合、离散型、时间段
文本型数据：n-gram、bag of words、TF-IDF、wordvec
统计型特征：min、max、中位数
5. 主要用的两个模块(sklearn) https://scikit-learn.org/stable/index.html
preprocessing 以及 feature_extraction
https://scikit-learn.org/stable/modules/preprocessing.html
https://scikit-learn.org/stable/modules/classes.html#module-sklearn.feature%20extraction
6. 模型融合
blending
bagging
stacking
使用不同的分类器，产生不同的分类结果。将这些结果作为输入，
如果使用这些结果的的linear取加权平均。就是blending方法。（没有再sklearn中封装）
boosting
Adaboost: 调样本的权重
xgboost / lightgbm
7. 绘制学习曲线（模型状态评估）
https://www.zybuluo.com/hanxiaoyang/note/545131
8. xgboost的调参
https://github.com/dmlc/xgboost 有一些xgboost的demo
9. 可视化
