Python机器学习案例精解

第8章　最佳实践

前几章的多个项目涵盖了机器学习的重要概念、技术和广泛使用的算法，做完这些项目之后，我们对机器学习生态系统有了全面的认识，就如何用机器学习算法和Python解决实际问题，积累了经验，打好了底子。然而，我们在实际工作中，只要从头开始做项目，就会遇到各种各样的问题。本章旨在以机器学习方案整个工作流的最佳实践武装我们。我们掌握了这些知识，自己动手做项目就没有那么困难了。

在本章中，我们将深入讲解以下主题。

• 机器学习方案工作流。
• 数据准备阶段的任务。
• 训练集生成阶段的任务。
• 算法训练、评估和选择阶段的任务。
• 系统部署和监控阶段的任务。
• 数据准备阶段的最佳实践。
• 训练集生成阶段的最佳实践。
• 算法训练、评估和选择阶段的最佳实践。
• 系统部署和监控阶段的最佳实践。

8.1　机器学习工作流

通常，解决一个机器学习问题所要完成的任务可归纳为以下4个方面：

• 数据准备；
• 训练集生成；
• 算法训练、评估和选择；
• 系统部署和监控。

从数据源到最终的机器学习系统，一个机器学习方案基本上遵从图8-1所示的流程。

图8-1　机器学习方案流程图

后续几节，我们将学习以上4个阶段每个阶段的典型任务、常见挑战和最佳实践。

8.2　数据准备阶段的最佳实践

显然，无数据何以谈构建机器学习系统。数据应当是我们首先要关注的。

8.2.1　最佳实践1——理解透彻项目的目标

在采集数据之前，我们应该透彻理解项目的目标，也就是业务问题。因为它将指导我们选取数据源作研究。只有具备足够的领域知识和专家意见，才能选对数据源。例如，在第7章，我们的目标是预测DJIA指数未来的价格，因此我们采集它在过去的表现，而不是采集欧洲股票市场的历史数据。第5章和第6章的业务问题是，最大化广告的命中率，命中率以点击率为准，因此，我们采集谁点击或没有点击哪个页面哪个广告这样的点击数据，而不只是采集网页展示了什么广告这样的数据。 ...