我在過去的7個月裏壹直是壹名機器學習工程師。在我做過的幾個項目中，有壹些東西每次都會出現。
當然，因為數據不同，所以不會是壹樣的。但壹個問題的原則往往可以用於另壹個問題。
這裏有壹些事情，我必須提醒自己，每次我開始去工作與壹個新的數據集。
A)看數據。不，真的，看看數據。
當您第壹次獲得壹個數據集時，您應該做的第壹件事是遍歷它並提出壹系列問題。
不要立即尋找答案，過早這樣做可能會給妳的探索過程帶來障礙。
“這壹欄是關於什麽的?”
“這會影響到那個嗎?”
“我應該更多地了解這個變量嗎?”
“為什麽這些數字是這樣的?”
“這些樣本總是這樣嗎?”
妳可以在第二次查閱資料時開始回答。如果這些問題妳自己也回答不了，就去請教專家。
B)與專家交談
數據是數據。它不撒謊。它就是它。但這並不意味著妳得出的某些結論不會因妳自己的直覺而有偏見。
假設妳想預測房價。有些事情妳可能已經知道了。房價在2008年有所下降，有白籬笆的房子收入更高，等等。
但重要的是，不要把這些當成硬性假設。在妳開始建造世界上最好的住房模型之前，妳可能想問壹些有經驗的人壹些問題。
為什麽?
因為這樣可以節省妳的時間。在您制定了A部分的問題列表之後，詢問主題專家可能會節省您數小時的預處理時間。
“哦，我們不再使用這個指標了，妳可以忽略它。”
妳看到的數字實際上與其他東西有關。
C)確保妳回答了正確的問題
當妳開始建立壹個模型時，確保妳已經把妳想要解決的問題在妳的腦海中描繪出來了。
這應該與客戶、項目經理和任何其他主要貢獻者討論。
這個模型的理想結果是什麽?
當然，隨著妳叠代不同的選擇，目標可能會改變，但有目標總是壹個好的開始。
沒有什麽比花兩周時間構建壹個99%準確的模型，然後向客戶展示妳的工作成果，卻發現妳所建模的是錯誤的東西更糟糕的了。
測量兩次。剪壹次。實際上，這句話並不適用於機器學習，因為妳需要制作大量的模型。但妳懂的。
D)特征工程師、特征編碼和數據預處理
有什麽樣的數據?
僅僅是數字上的嗎?
是否有可以納入模型的分類特征?
需要註意的是，分類特征可以被認為是任何類型的數據，這些數據不能以數字形式立即獲得。
在試圖預測房價的問題中，您可能將浴室的數量作為數字特征，而將房子的郊區作為數據的分類(非數字類別)特征。
有不同的方法來處理這兩種情況。
對於numeric，主要的方法是確保所有內容都采用相同的格式。例如，想象壹輛汽車生產的年份。
99'(99年)是18'(2018年)的四倍嗎?
妳可能想把它們改為1999年和2018年，以確保模型捕捉到這兩個數字實際上有多接近。
分類特征的目標是將它們轉化為數字。妳怎麽能把房子郊區變成數字?
假設妳有公園嶺，格林維爾和阿斯科特。
妳能說帕克裏奇= 1，格林維爾= 2和阿斯科特= 3嗎?
但這不意味著帕克裏奇+格林維爾=阿斯科特嗎?
這說不通啊。
壹個更好的選擇是壹次性熱編碼。這意味著給壹個值1表示它是什麽，0表示它不是什麽。
還有許多其他選擇可以將分類變量轉化為數字，並找出最有趣的部分。
E)快速測試，叠代，更新
能否在開始時創建壹個更簡單的度量標準?
可能有壹個理想的方案，妳正在努力，但有沒有壹個更簡單的模型，妳可以放在壹起測試妳的想法?
從最簡單的模型開始，然後逐漸增加復雜性。
不要害怕犯錯，壹次又壹次，壹次又壹次。在測試中犯錯比在生產中犯錯要好。
如果有疑問，請運行代碼。就像數據壹樣，代碼不會說謊。它會照妳說的做。
妳越快發現什麽是無效的，妳就能越快發現什麽是有效的。
F)不斷回顧主要目標
機器學習項目中出現的主要問題通常不是數據或模型，而是參與者之間的溝通。
溝通總是關鍵。
解決壹個問題最終可能會讓妳陷入壹個兔子洞。妳想嘗試壹件事，然後又想嘗試另壹件，現在妳甚至不確定自己在解決什麽問題。
這並不壹定是壹件壞事，壹些最好的解決方案就是這樣找到的。
但是記住，不是每個人都能理解妳的思路。如果有疑問，多溝通。