机器学习流程与方法

问题建模
特征工程
模型选择
模型融合
模型上线应用

问题建模
1、必须清楚，我的评估指标是什么？
2. 选择样本集合
3.交叉验证

• 评估指标有哪些？
  • P ,R ,PRC,ROC&AUC ,LOSS，mAP
• 如何选择样本子集？
  • 分层采样
• 如何交叉验证？
  • k-fold

特征工程
1.EDA
2. 数据清洗（缺失值，异常值）和归一化，连续数据离散化（分桶）
3. 特征选择

• 特征工程首先对数据进行EDA(探索性数据分析)
  • 了解数据集 大致信息，缺失值比例，特征的类型
  • 箱型图，直方图，茎叶图，相关性矩阵热度图，PCA降维等
• EDA之后，对数据有了解了，还要对 数据 进行 清洗筛选。
  • 数据缺失值
  • 数据异常值
  • 区分特征种类：
    • 数值特征
      • 连续特征
        • 归一化
        • 离散化
          • 分桶
      • 离散特征
    • 类别特征
      • 编码
        • 独热编码
        • 计数排名编码
          • （对线性和非线性都有效）
          • （异常值不敏感）
          • （特征取值不会冲突，排名不冲突）
        • 自然编码
        • 分层编码
          • 邮政编码，身份证号
    • 时间特征
      • 年月日
      • 时分秒
      • 周日制
      • 是否周末、是否月末、是否季度末、是否是营业时间、是否节假日等
      • 距离上次…时间间隔
    • 空间特征
      • GPS坐标
      • 国家ID，城市ID，行政区ID、街道ID等
      • 空间距离
    • 文本特征
      • 正则化
        • 字母数字统一为一种语言的字母数字
      • 语料构建
        • 文档： 物品的描述
      • 文本清洗
        • 去掉空格，标点符号等
      • 分词
        • 词性标注
          • 动词
          • 名词
          • 形容词
        • 词意还原
          • 能表达语义
        • 3-Gram 模型
          • 转化文本为连续序列，连续三个单词构成一句话：
            • ABCDE => (ABC, BCD CDE)
        • Skip-Gram模型
          • 词袋模型
            • 首先构成一个向量
            • 向量的每个分量表示，单词在文档中出现的词频TF
          • TF-IDF
            • 首先把所有文档，构成词汇表（词典）
            • 对于某个文档， 对词典中的key形成一个向量，向量的值为tf*idf
            • tf 是局部参数，表示 单词在文本d中出现的词频
            • idf 是全局参数， 为log(总文档数目/ 出现过这个单词的文档数)
• 特征选择： 选择对口的特征组合
  • 如何衡量特征的好坏？
    • 目标标签标量 和 特征的 距离/相似度
  • 距离和相似度 指标
    • L-p norm 距离（长度）
    • 余弦相似度（cos）（角度）
    • 皮尔逊相关系数(综合)
    • Jaccard相似度（集合交集数目/集合并集数目）
      • Jaccard距离 = 1- Jaccard相似度
    • Fisher得分
    • 互信息KL(p(x,y) ||p(x)p(y)）
    • 假设检验
    • CFS 相关性特征选择
  • 特征选择的三大类方法：（按照 特征选择时候是否与机器学习算法互动）
    • 过滤方法
      • 特征全集 => 特征选择 => 机器学习算法 => 模型效果
        • 特征选择和机器学习算法是不会互动的，是独立的。因此简单有效。
      • 单变量过滤
        • 只考虑相关性，根据相关性排序，过滤掉 最不相关的特征
      • 多变量过滤
        • 不仅考虑相关性，还考虑一致性？
          • CFS 相关特征选择，包含了交叉特征的相关性
          • MBF
          • FCBF
    • 封装方法
      • 特征全集 => |特征选择 <=> 机器学习算法| => 模型效果
      • 对于可能的特征子集，考虑机器学习算法的适合性，用算法，验证集 来选择效果最好的特征子集。
    • 嵌入方法
      • 特征全集 =>| 特征选择 <=> 机器学习算法 + 模型效果|
      • 直接融合 特征选择和机器学习算法，同时评价效果
      • 需要交叉验证
      • 决策树，随机森林，梯度提升树，SVM, Lasso