1.4 构建机器学习模型的流程

我们已经了解了挑选算法的标准和步骤，现在应该学习如何构建机器学习模型了。构建一个机器学习模型的流程可以分为以下几步，读者应该重视这一流程。

（1）收集数据。毫无疑问，一切都源自数据，问题在于如何获取如此多的数据。实践中，获取这些数据可能需要经过冗长的步骤，例如有的数据是通过一系列实地测量得到的，有的是通过一对一的面谈得到的。无论如何，在收集数据的过程中，一定要注意选取合适的形式保存记录（如数据库），以利于接下来的分析。

如果没有特别需求，互联网上现存的大量公开数据就够用了，如加州大学尔湾分校机器学习数据集（UCI Machine Learning Repository）这一非常大的机器学习数据集，这使我们可以节省收集数据的精力和时间。

图1.10展示了构建机器学习模型的步骤。

图1.10 构建机器学习模型的流程

（2）准备数据。在收集数据后，我们需要对原始数据进行一些处理。例如，很可能为了使数据集对于模型可用，调整数据集的数据格式。模型可能要求数据格式为整型、字符型或其他特殊格式。接下来我们会专门介绍这些技巧，其中预处理数据一般要比收集数据简单。

（3）观察数据。至此，我们需要对数据集进行观察，例如确保数据可用（大致准确、没有大量的缺失值）。各种类型的图表可以辅助观察。我们能够辨别样本间所包含的模式、联系以及是否存在一些奇异值。绘制出不同维度的图表同样有助于观察数据。

（4）训练（train）算法。现在，我们真正开始介绍如何构建机器学习模型。在这一步中，我们需要对模型进行定义和训练，以使模型能够逐渐从训练数据集中抽取信息。我们将在后面的章节具体阐述这些概念。需要指出的是，训练阶段仅存在于监督学习中，对于非监督学习而言，是不存在训练阶段的。因为在非监督学习的输入数据中没有标签，所以无从训练。

（5）验证（validate）算法。在这一步骤中，我们使用上一步训练得到的模型进行验证，看模型是否真正有效。验证目标是评估训练得到的模型在多大程度上逼近了真实系统。对于监督学习，有样本标签来帮助我们衡量结果。对于非监督学习，可能需要借助其他指标来衡量。无论属于哪种情况，如果模型没有达到预期效果，那么将返回步骤4，更改、重新训练新模型，并执行步骤5。

（6）测试（test）算法。在这一步骤中，我们将模型应用到真实数据集上，以此评估整个算法流程的逼近效果。

（7）评估和改进模型：至此，我们验证了模型确实有效，同时了解了模型的表现。现在需要更新我们对模型、问题的理解，并尝试基于已有信息作进一步改进。