[译文] 机器学习项目清单

2019-02-18 本文已影响0人 qiwihui

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：

将问题框架化并且关注重点。
获取数据。
探索数据以洞悉数据。
准备数据以更好地将基础数据模式暴露给机器学习算法。
探索多种不同的模型并列出最好的那些。
微调模型并将它们组合成一个很好的解决方案。
展示你的解决方案。
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

用业务术语定义目标。
你的解决方案将如何使用？
目前的解决方案/解决方法（如果有的话）是什么？
你应该如何解决这个问题（监督/非监督，在线/离线等）？
如何度量模型的表现？
模型的表现是否和业务目标一致？
达到业务目标所需的最低性能是多少？
类似的问题如何解决？是否可以复用经验或工具？
人员是否专业？
你如何动手解决问题？
列出目前你（或者其他人）所做的假设。
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。

列出你需要的数据和数据量。
查找并记录你可以获取该数据的位置。
检查它将占用多少存储空间。
检查法律义务并在必要时获取授权。
获取访问权限。
创建工作目录（拥有足够的存储空间）。
获取数据。
将数据转换为你可以轻松操作的格式（不更改数据本身）。
确保删除或保护敏感信息（比如，匿名）。
检查数据的大小和类型（时间序列，样本，地理信息等）。
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。

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）。
创建一个 Jupyter 笔记本来记录你的数据探索。
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）。

对于监督学习任务，确定目标属性。
可视化数据。
研究属性间的相关性。
研究怎如何手动解决问题。
确定你想要应用的有效的转换。
确定有用的额外数据。
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

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）。

特征提取（可选）：

丢弃不提供有用信息的属性；

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

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。

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）。
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。

分析每种算法的最重要变量。
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？

进行一轮快速的特征提取和特征工程。
对之前的五个步骤进行一两次的快速迭代。
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。

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）

尝试集成方法，结合最佳模型通常比单独运行它们更好。
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

将你做的工作整理成文档。
制作精美的演示。

确保你首先突出重点。

解释你的解决方案实现业务目标的原因。
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。

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

准备好生产解决方案（插入生产数据输入，编写单元测试等）。
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。

定期在新数据上重新训练模型（尽可能自动化）。