6 
机器学习项目清单
机器学习项目清单，主要有8步（可根据需求调整）：
1.架构问题，关注蓝图。
2.获取数据。
3.研究数据以获得灵感。
4.准备数据以更好的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
- 用商业术语定义目标。
- 方案如何解决？
- 目前的解决方案/办法是什么？
- 应该如何架构问题 （有监督/无监督，在线/离线，等等）？
- 如何测量性能？
- 性能指标是否与业务目标一致？
- 每个业务目标需要的最低性能是什么？
- 有没有一些相似的问题？能重用一些经验和工具吗？
- 有没有相关经验的人？
- 如何手动解决此问题？
- 列出目前为止你（或者其他人）的假设。
- 如果可能的话，验证假设。
获取数据（注意；尽可能的自动化，以获取最新的数据）
- 列出需要的数据及其体量。
- 查找并记录获取数据的途径。
- 检查需要的空间。
- 检查法律义务，必要时获取授权。
- 获取访问权限。
- 创建工作空间（确保具有足够的存储空间）。
- 获取数据。
- 将数据转换为可操作的格式（不改变数据本身）。
- 确保删除或保护敏感信息（例如，匿名）。
- 检查数据的类型和大小（时间序列、样本、地点等）。
- 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
- 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）。
- 创建一个Jupyter笔记本来记录数据研究。
- 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、对称等）。
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时（保持原始数据集不变）。
- 编写适用于所有的数据转换的函数，原因有五个：
- 可以很容易的准备下一次得到的新数据时的数据。
- 可以在未来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：
-
修护或删除异常值（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）。
2.特征选择（可选）：
- 删除不能为任务提供任何有用信息的属性。
3.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)等）。
-
聚合特征称为期望的新特征。
列出期望的模型
注意：
- 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的影响）。
- 再次，尽可能的自动化这些步骤。
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.测量并比较他们的性能。
- 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，倾向于选择不同错误类型的模型。
微调系统
注意：
- 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。
- 永远尽可能自动化
- 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？或者是直接删除它？）。
- 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，你可以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）。
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。
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（插入生产数据输入，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。
- 同时需要考虑缓慢退化：随着数据的增加，模型往往会“腐烂”。
- 测试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）。
