数据科学家每天写500字书房就是我的全世界

【机器学习知识体系】- 机器学习问题的一般流程

2019-04-07  本文已影响13人  不会停的蜗牛

今天开始会陆续将之前的文章做一下梳理,整理出一个完整的知识体系,有需要的伙伴们可以更方便地查找自己需要的知识点。

这里提到的三篇文章比较全地展示了机器学习问题的一般流程:

1. 一个框架解决几乎所有机器学习问题

这篇文章介绍了应用算法解决 Kaggle 问题,一般有以下几个步骤,
以及每个步骤的简要定义和常用方法:

第一步:识别问题
第二步:分离数据
第三步:构造提取特征
第四步:组合数据
第五步:分解
第六步:选择特征
第七步:选择算法进行训练

这篇文章中的关键知识点:


2. 通过一个kaggle实例学习解决机器学习问题

这篇文章用一个实例来将上一篇的流程应用了一下:

Data Exploration
Data Cleaning
Feature Engineering
Model Building
Ensemble Learning
Predict

以及建立 训练 并用模型预测的过程:

从 sklearn 导入分类器模型后,定义一个 KNN,
定义合适的参数集 parameters,
然后用 get_model 去训练 KNN 模型,
接下来用训练好的模型去预测测试集的数据,并得到 accuracy_score,
然后画出 learning_curve。

这篇文章中的关键知识点:


3. 从 0 到 1 走进 Kaggle

这篇文章介绍了 Kaggle 比赛的一般流程:

探索数据
特征工程
建立模型
调参
预测提交

文章中的关键知识点:

上一篇 下一篇

猜你喜欢

热点阅读