1.4 構建機器學習模型的流程

我們已經了解了挑選算法的標準和步驟，現在應該學習如何構建機器學習模型了。構建一個機器學習模型的流程可以分為以下幾步，讀者應該重視這一流程。

（1）收集數據。毫無疑問，一切都源自數據，問題在于如何獲取如此多的數據。實踐中，獲取這些數據可能需要經過冗長的步驟，例如有的數據是通過一系列實地測量得到的，有的是通過一對一的面談得到的。無論如何，在收集數據的過程中，一定要注意選取合適的形式保存記錄（如數據庫），以利于接下來的分析。

如果沒有特別需求，互聯網上現存的大量公開數據就夠用了，如加州大學爾灣分校機器學習數據集（UCI Machine Learning Repository）這一非常大的機器學習數據集，這使我們可以節省收集數據的精力和時間。

圖1.10展示了構建機器學習模型的步驟。

圖1.10 構建機器學習模型的流程

（2）準備數據。在收集數據后，我們需要對原始數據進行一些處理。例如，很可能為了使數據集對于模型可用，調整數據集的數據格式。模型可能要求數據格式為整型、字符型或其他特殊格式。接下來我們會專門介紹這些技巧，其中預處理數據一般要比收集數據簡單。

（3）觀察數據。至此，我們需要對數據集進行觀察，例如確保數據可用（大致準確、沒有大量的缺失值）。各種類型的圖表可以輔助觀察。我們能夠辨別樣本間所包含的模式、聯系以及是否存在一些奇異值。繪制出不同維度的圖表同樣有助于觀察數據。

（4）訓練（train）算法。現在，我們真正開始介紹如何構建機器學習模型。在這一步中，我們需要對模型進行定義和訓練，以使模型能夠逐漸從訓練數據集中抽取信息。我們將在后面的章節具體闡述這些概念。需要指出的是，訓練階段僅存在于監督學習中，對于非監督學習而言，是不存在訓練階段的。因為在非監督學習的輸入數據中沒有標簽，所以無從訓練。

（5）驗證（validate）算法。在這一步驟中，我們使用上一步訓練得到的模型進行驗證，看模型是否真正有效。驗證目標是評估訓練得到的模型在多大程度上逼近了真實系統。對于監督學習，有樣本標簽來幫助我們衡量結果。對于非監督學習，可能需要借助其他指標來衡量。無論屬于哪種情況，如果模型沒有達到預期效果，那么將返回步驟4，更改、重新訓練新模型，并執行步驟5。

（6）測試（test）算法。在這一步驟中，我們將模型應用到真實數據集上，以此評估整個算法流程的逼近效果。

（7）評估和改進模型：至此，我們驗證了模型確實有效，同時了解了模型的表現。現在需要更新我們對模型、問題的理解，并嘗試基于已有信息作進一步改進。