项目清单:
1. 商业目标
2. 划定问题 监督或非监督，还是强化学习。
3. 选择什么算法 回归还是分类， 数据量小可使用单机内存的 批量计算， 数据量大使用分布式的MapReduce 线上计算。
4. 评估模型性能的指标
对于回归问题：
当异常值较多时， 应更多采用L1 范数的指标：
岭回归：
岭回归（也称为 Tikhonov 正则化 属于L2范数）是线性回归的正则化版：在损失函数上直接加上一个正则项 。
当a=0时，为线性回归， 当a无限大时，模型的所有参数为0 。
注意当
增大的时候，导致预测曲线变得扁平（即少了极端值，多了一般值），这样减少了模型的方差，却增加了模型的偏差。
Lasso 回归：
在损失函数上加 L1 范数。
弹性网络（ElasticNet）：
弹性网络介于 Ridge 回归和 Lasso 回归之间。
早期停止法（Early Stopping）：
一旦验证错误达到最小值，便提早停止训练。
逻辑回归：
支持向量机
5. 要花多少精力进行微调
