这里介绍机器学习的六大步骤
一、定义问题
二、理解数据
三、数据准备
四、评估算法
五、优化模型
六、结果部署
（当然，这六个步骤并非机械的使用，有时候各个步骤还可能进一步细分，还有可能几个步骤合并成一个步骤。这里以常用的python模板为例）
详细说明
一、定义问题
需要导入常用的类库和数据集，包括导入python 的类库、类和方法，以及数据。可以将数据进行瘦身，快速进行可视化数据集建立。
二、理解数据
描述性统计来分析数据，可视化观察数据。***这一步需要花费时间多问几个问题，设定假设条件并调查分析一下，对模型的建立有很大的帮助。
三、数据准备
这一步主要是预处理数据：
通过删除重复数据、标记错误数值，甚至是标记错误的输入数据来清洗数据。
特征选择，包括移除多余的特征属性和增加新的特征属性。
数据转化，对数据尺度进行调整，或者调整数据的分布
不断重复以上步骤，直到找到足够准确的算法来生产模型。
~~~~~~~~~~~~~~~~~~~~起来活动一下~~~~~~~~~~~~~~~~~~~
******
数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。那特征工程本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。通过总结和归纳，人们认为特征工程包括以下方面：
特征选择主要有两个目的：
减少特征数量、降维，使模型泛化能力更强，减少过拟合； 增强对特征和特征值之间的理解。
四、评估算法
分离出评估数据集
定义模型评估标准，用来评估算法模型
抽样审查线性算法和非线性算法
比较算法的准确度
五、优化模型
当得到一个准确度足够的算法列表后，要从中找出最合适的算法，通常可以用两种方法提高算法的准确度：
1.对每一种算法进行调参，得到最佳结果
2.使用集合算法来提高算法模型的准确度
六、结果部署
通过验证集来验证被优化过的模型
通过整个数据集来生产模型
将模型序列化，以便于预测新数据