隨著致力於應用機器學習問題，你會摸索出一個快速獲取具有棒棒噠魯棒性結果的模式或步驟，你可以在下一個專案中重用這個步驟，該步驟越強健，你得到可靠結果的速度就越快。

應用機器學習的步驟

5步法：

1.定義問題

2.準備資料

3.抽查演算法

4.改善結果

5.展示結果

以上步驟具有靈活性。例如“準備資料”步驟可以被分解為分析資料(總結和繪圖)和準備資料(準備實驗樣本)。“抽查演算法”步驟可能涉及多個正式的實驗。

這是個大的生產線，自動化使你可以回溯一些步驟(從改善結果回到準備資料)，並且插入新的變換資料集，然後重新執行中間的實驗觀察結果並與前面實行的實驗進行對比。

1.定義問題

step1:問題是什麼？

step2:該問題為什麼需要被解決？列出你解決問題的動機，解決方案提供的益處和解決方案將會被如何使用

step3:該如何解決它？手動地描述問題將被如何解決以明確領域知識。

2.準備資料

在資料準備之始，有一個數據分析階段，它涉及：總結屬性和使用散點圖直方圖視覺化資料。詳細描述每個屬性和屬性間的關係也是極好的。通過分析會促使我思考資料上下文環境。

3步法化的資料準備步驟：

Step1:資料選擇：考慮什麼資料是可用的，哪些資料是有缺失的，哪些資料可以被移除。

Step2:資料處理：通過格式化組織你選擇的資料，清洗並從中取樣

Step3:資料變換：通過工程學特徵(尺度縮放、屬性分解和屬性聚合)變換預處理資料為機器學習做準備。

3.抽查演算法

在我的測試工具裡預設使用10折交叉驗證。所有試驗(演算法和資料集組合)被重複10次，準確性的平均值和標準差被收集和報告，盒圖對總結結果準確性(對應於每個演算法和資料集對)的分佈也很有用。

抽查演算法是指在測試工具里加載一批標準機器學習演算法並執行正式實驗。

抽查的目的是明確演算法和資料集的型別組合是否善於發現問題的結構，這樣他們可以通過重點實驗被更詳細的研究。

對具有良好效能的演算法執行更有針對性的實驗，下一步就可以進行演算法調優。

測試工具是指演算法的評估方法

4.改善結果

是時候從現有配置中擠出最棒結果了。在效能最好的演算法的引數上執行自動化靈敏度分析。

結果的統計顯著性再次變得重要。很容易集中注意力到方法和演算法配置。

總之，改善結果的步驟涉及：

演算法調優：探索最好的模型就是模型引數空間的搜尋問題

方法整合：預測由多個組合模型結合獲得

極端特徵：屬性分解和聚合被推向極致

5.展示結果

複雜的結果是沒有意義的，除非它有用。

用於展示結果 的模板如下：

背景(為什麼)：定義問題存在的環境並設定研究問題的動機

問題(提問)：扼要描述問題，提問並回答。

解決方案(回答)：扼要描述方案，比上一步要詳細

調查：發現你的列表讓觀眾感興趣的點，他們可能會發現資料、方法是否有用，模型可能提供的效能益處

限制：考慮模型的適用性在哪，哪些問題不能解決。如果指出模型不擅長的地方，則模型擅長的地方就會更令人信服

結論：(Why+Question+Answer):回顧為什麼，研究問題和回答，濃縮成緊緻的發現會更容易記住和被他人複述。

總結

本節學習了處理機器學習問題的通用模板。該步驟跨平臺(Weka,R和scikit-learn等)