目錄

• 1.總體框架
• 2.數據采集
• 3.特征提取
• 4.模型、學習準則和優化算法的確定
• 5.模型的使用

1.總體框架

2.數據采集

由于機器學習是從數據中進行學習的方法，所以首先要針對想要解決的問題進行數據的采集。數據的采集主要有兩種途徑，一種是自己采集，另一種就是去網上找公開的數據集。數據采集完成后，就得到了原始的數據。

3.特征提取

由于原始數據繁多，我們需要從原始數據中，提取出跟想要解決問題相關的數據作為特征（一些深度學習的方法可以自己從數據中提取特征，但是傳統機器學習方法往往需要自己去提取特征，稱為特征工程）。比如上圖中的敲擊聲、顏色光澤、紋路清晰度等可以作為判斷西瓜是否成熟的特征，但是像西瓜的形狀等特征或許與其是否成熟無關，則不能作為特征（如果提取到了與所解決問題無關的特征會怎么樣？）。

4.模型、學習準則和優化算法的確定

模型、學習準則與優化算法是機器學習的三大要素：

模型的作用是根據輸入的特征給出輸出的結果（針對具體的問題），也可以將模型理解為函數。不同的機器學習模型（比如LR、SVM、NB等），實質上是不同的待選擇函數簇。當模型的類型確定后，函數的大體框架就確定了，剩下的就是對函數中的參數的學習。所以，機器學習的本質就是在一堆由不同的參數所決定的函數里面，選出最好的那個（一個優化問題）。

學習準則的作用是針對想要解決的問題，評價某一個模型的好壞程度。在監督學習中，一般是看模型的輸出與數據集中的真值的差異，差異越小，一般就代表模型越好。

優化算法的作用是對選出最好的模型這個優化問題進行求解。

這三大要素確定好之后，將數據集帶入其中，即可訓練出一個在當前的數據集情況下的最優模型。

5.模型的使用

訓練好后得到了一個最優的函數，然后將待預測的特征自變量輸入模型即可得到預測的結果。

總結

以上是生活随笔為你收集整理的机器学习的一般步骤的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。