机器学习项目清单

原文来自于《Hands-On Machine Learning with Scikit-Learn and TensorFlow》,这是一本系统学习机器学习和深度学习非常不错的入门书籍,理论和实践兼而有之。

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)。
  1. 对于监督学习任务,确定目标属性。
  2. 可视化数据。
  3. 研究属性间的相关性。
  4. 研究怎如何手动解决问题。
  5. 确定你想要应用的有效的转换。
  6. 确定有用的额外数据。
  7. 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)。
  1. 特征提取(可选):
  • 丢弃不提供有用信息的属性;
  1. 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
  1. 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。
  1. 分析每种算法的最重要变量。
  2. 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?
  1. 进行一轮快速的特征提取和特征工程。
  2. 对之前的五个步骤进行一两次的快速迭代。
  3. 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 的论文中描述的,用高斯处理先验)
  1. 尝试集成方法,结合最佳模型通常比单独运行它们更好。
  2. 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。
  1. 解释你的解决方案实现业务目标的原因。
  2. 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。
  1. 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。
  1. 定期在新数据上重新训练模型(尽可能自动化)。

View on GitHub