10 KiB
机器学习技术
构建、使用和维护机器学习模型及其所需数据的过程，与许多其他开发工作流有很大的不同。在本课中，我们将揭开这一过程的神秘面纱，并概述您需要了解的主要技术。您将：
- 从高层次理解机器学习的基本流程。
- 探索诸如“模型”、“预测”和“训练数据”等基础概念。
课前测验
🎥 点击上方图片观看本课的简短视频。
介绍
从高层次来看，创建机器学习（ML）流程的过程包括以下几个步骤：
- 确定问题。大多数机器学习流程从提出一个无法通过简单条件程序或基于规则的引擎回答的问题开始。这些问题通常围绕基于数据集合的预测展开。
- 收集和准备数据。为了回答您的问题，您需要数据。数据的质量以及有时数据的数量将决定您能多好地回答最初的问题。可视化数据是这一阶段的重要部分。这一阶段还包括将数据分为训练集和测试集以构建模型。
- 选择训练方法。根据您的问题和数据的性质，您需要选择一种训练模型的方法，以便最好地反映数据并对其进行准确预测。这是机器学习流程中需要特定专业知识的部分，通常需要大量的实验。
- 训练模型。使用训练数据，您将使用各种算法训练模型以识别数据中的模式。模型可能会利用内部权重，这些权重可以调整以优先考虑数据的某些部分，从而构建更好的模型。
- 评估模型。使用从未见过的数据（测试数据）来检查模型的表现。
- 参数调优。根据模型的表现，您可以使用不同的参数或变量重新进行训练，这些参数或变量控制用于训练模型的算法的行为。
- 预测。使用新的输入测试模型的准确性。
提出什么问题
计算机特别擅长发现数据中的隐藏模式。这种能力对研究人员来说非常有用，他们可能会提出一些无法通过条件规则引擎轻松回答的问题。例如，在精算任务中，数据科学家可能能够围绕吸烟者与非吸烟者的死亡率构建手工规则。
然而，当许多其他变量被纳入考虑时，机器学习模型可能更高效地根据过去的健康历史预测未来的死亡率。一个更令人愉快的例子可能是基于纬度、经度、气候变化、靠近海洋、喷流模式等数据预测某地四月份的天气。
✅ 这份幻灯片提供了使用机器学习进行天气分析的历史视角。
构建前的任务
在开始构建模型之前，您需要完成几个任务。为了测试您的问题并根据模型的预测形成假设，您需要识别并配置几个要素。
数据
为了以任何确定性回答您的问题，您需要足够数量的正确类型的数据。在这一点上，您需要完成以下两件事：
- 收集数据。牢记上一课关于数据分析公平性的内容，谨慎收集数据。注意数据的来源、可能存在的内在偏见，并记录其来源。
- 准备数据。数据准备过程包括多个步骤。如果数据来自不同来源，您可能需要整理并规范化数据。您可以通过各种方法提高数据的质量和数量，例如将字符串转换为数字（如我们在聚类中所做的）。您还可以基于原始数据生成新数据（如我们在分类中所做的）。您可以清理和编辑数据（如我们在Web 应用课程之前所做的）。最后，根据您的训练技术，您可能还需要随机化和打乱数据。
✅ 在收集和处理数据后，花点时间检查其形状是否能帮助您解决预期问题。可能会发现数据在给定任务中表现不佳，就像我们在聚类课程中发现的那样！
特征和目标
特征是数据的可测量属性。在许多数据集中，它通常以列标题的形式表示，例如“日期”、“大小”或“颜色”。特征变量通常在代码中表示为X，代表用于训练模型的输入变量。
目标是您试图预测的内容。目标通常在代码中表示为y，代表您试图从数据中回答的问题：在十二月，哪种颜色的南瓜最便宜？在旧金山，哪些社区的房地产价格最好？有时目标也被称为标签属性。
选择特征变量
🎓 特征选择和特征提取 如何在构建模型时选择变量？您可能会经历特征选择或特征提取的过程，以选择最适合的变量来构建性能最佳的模型。然而，它们并不相同：“特征提取通过原始特征的函数创建新特征，而特征选择返回特征的子集。”（来源）
可视化数据
数据科学家工具箱的重要组成部分是使用 Seaborn 或 MatPlotLib 等优秀库可视化数据的能力。通过可视化数据，您可能会发现可以利用的隐藏相关性。可视化还可能帮助您发现偏差或数据不平衡（如我们在分类中发现的那样）。
划分数据集
在训练之前，您需要将数据集划分为两个或更多不等大小的部分，同时确保它们能很好地代表数据。
- 训练集。数据集的这一部分用于训练模型。它通常占原始数据集的大部分。
- 测试集。测试数据集是一个独立的数据组，通常从原始数据中提取，用于验证模型的性能。
- 验证集。验证集是一个较小的独立数据组，用于调整模型的超参数或架构以改进模型。根据数据的大小和您提出的问题，您可能不需要构建这个第三组（如我们在时间序列预测中提到的）。
构建模型
使用训练数据，您的目标是通过各种算法训练模型，构建数据的统计表示。训练模型使其接触数据，并让它对发现的模式进行假设、验证并接受或拒绝。
决定训练方法
根据您的问题和数据的性质，您将选择一种训练方法。通过浏览Scikit-learn 的文档（我们在本课程中使用的工具），您可以探索多种训练模型的方法。根据您的经验，您可能需要尝试几种不同的方法来构建最佳模型。数据科学家通常会经历一个过程，通过向模型提供未见过的数据来评估其性能，检查准确性、偏差和其他质量问题，并选择最适合当前任务的训练方法。
训练模型
有了训练数据，您可以开始“拟合”数据以创建模型。您会注意到，在许多机器学习库中，代码中会出现“model.fit”——此时，您将特征变量作为值数组（通常是X）和目标变量（通常是y）传入。
评估模型
一旦训练过程完成（对于大型模型可能需要多次迭代或“周期”），您可以使用测试数据评估模型的质量，以衡量其性能。这些数据是模型之前未分析过的原始数据的子集。您可以打印出关于模型质量的指标表。
🎓 模型拟合
在机器学习的背景下，模型拟合指的是模型底层函数在尝试分析未见过的数据时的准确性。
🎓 欠拟合和过拟合是常见问题，会降低模型质量。欠拟合的模型无法很好地分析训练数据或未见过的数据，而过拟合的模型过于贴合训练数据的细节和噪声。过拟合的模型对训练数据的预测过于精准，而欠拟合的模型则不够准确。
信息图由 Jen Looper 提供
参数调优
初步训练完成后，观察模型的质量，并通过调整其“超参数”来改进模型。阅读更多关于该过程的内容：文档。
预测
这是您可以使用全新数据测试模型准确性的时刻。在“应用”机器学习场景中，例如构建用于生产的 Web 应用程序，这一过程可能涉及收集用户输入（例如按钮点击）以设置变量并将其发送到模型进行推断或评估。
在这些课程中，您将学习如何使用这些步骤来准备、构建、测试、评估和预测——这些都是数据科学家的基本操作，同时也将帮助您在成为“全栈”机器学习工程师的旅程中不断进步。
🚀挑战
绘制一张流程图，反映机器学习从业者的步骤。您认为自己目前处于哪个阶段？您预测在哪些方面会遇到困难？哪些部分对您来说似乎很容易？
课后测验
复习与自学
在线搜索数据科学家讨论日常工作的访谈。这里有一个示例。
作业
免责声明：
本文档使用AI翻译服务 Co-op Translator 进行翻译。尽管我们努力确保翻译的准确性，但请注意，自动翻译可能包含错误或不准确之处。应以原始语言的文档作为权威来源。对于关键信息，建议使用专业人工翻译。我们不对因使用此翻译而产生的任何误解或误读承担责任。