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

1. 用商业术语定义目标。
2. 方案如何解决？
3. 目前的解决方案/办法是什么？
4. 应该如何架构问题 （有监督/无监督，在线/离线，等等）？
5. 如何测量性能？
6. 性能指标是否与业务目标一致？
7. 每个业务目标需要的最低性能是什么？
8. 有没有一些相似的问题？能重用一些经验和工具吗？
9. 有没有相关经验的人？
10. 如何手动解决此问题？
11. 列出目前为止你（或者其他人）的假设。
12. 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）

1. 列出需要的数据及其体量。
2. 查找并记录获取数据的途径。
3. 检查需要的空间。
4. 检查法律义务，必要时获取授权。
5. 获取访问权限。
6. 创建工作空间（确保具有足够的存储空间）。
7. 获取数据。
8. 将数据转换为可操作的格式（不改变数据本身）。
9. 确保删除或保护敏感信息（例如，匿名）。
10. 检查数据的类型和大小（时间序列、样本、地点等）。
11. 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

1. 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）。
2. 创建一个Jupyter笔记本来记录数据研究。
3. 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

1. 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）。