【51CTO晃荡】8.26 带你与清华大年夜学、搜狗、京东大年夜咖们一路商量基于算法的IT运维实践

习概念及其对营业目标的影响是异常重要的。

算法的选择

这个阶段的目标是获得一个模型的原型，测试并对它进行迭代，直到可以或许获得一个足够好并且可以或许用于临盆的的模型。

• 构建原型。一旦数据预备完毕，数据科学团队就可以开端研究实际的模型了。这个阶段涉及到大年夜量的实验，比如选择最相干的特点、测试多种算法等。这并不是一个简单的义务，获得用于临盆模型在时光筹划上并不好把控。
• 验证和测试原型。在这个阶段中，数据科学家的职责就是要确保最毕生成的模型尽可能的好。他们将根据预定义的质量度量标准来评估模型的机能，比较不合算法下模型的机能，调剂各类参数并对最终的模型进行机能测试。对于监督进修，须要肯定模型猜测的结不雅是否可以或许知足你的需求。对于无监督进修，根据问题的不合，有多种不合的机能评估技巧。以聚类为例，你可以轻松地绘制出在多个维度上聚类的对象。如不雅算法应用了关键字来标记文档，那么关键字是否有意义呢?在打标记掉败或重要用例损掉的情况下，是否有明显的差距呢?这并不克不及代替加倍科学的办法，但在实践上有助于快速改进。
• 迭代。此时，你须要与团队一路来决定是否须要进一步的迭代。该模型与你的预期有若干相符?它是否表示得足够好，让你今朝的营业状况获得明显的改良?是否有特别脆弱的方面?是否须要更多的数据点?你能想到其他特点来进步机能吗?是否有替代数据源可以进步模型的输入质量?等等。这些都须要集思广益。

在问题定义上的一个小更改可能须要有一个完全不合的算法来解决，或者至少要应用不合的数据输仁攀来构建不合的模型。一个可以或许为用户辨认照片类型的约会网站可以应用无监督进修技巧(比如聚类)来辨认常见的主题。而如不雅要向特定的某小我推荐潜在的约会对象，则网站可能要应用基于输入的监督进修，输入数据需具体到小我，例如他们已经看过的┞氛片。

特点的选择

机械进修模型辨认数据中的模式。输入到模型中的数据被组织成特点(也称为变量或属性)：这些特点都是相干的、大年夜部分自力的数据片段，描述了你想要猜测或识其余现象的某些方面。

以前文提到的那家欲望优先推敲贷款申请人外展办事的公司为例。如不雅我们将问题定义为“根据客户转换的可能性优先推敲”，我们将会获得包含类似客户对公司各类外展晃荡的响应率等特点。如不雅我们将问题定义为“优先推敲最可能了偿贷款的客户”，我们就不会获得这些特点，因为它们与评估客户的可能性无关。

目标函数的选择

目标函数是你要优化的目标，或者是模型试图猜测的结不雅。例如，如不雅你向用户推荐他们可能感兴趣的商品，则模型的输出可能是用户在看到商品时点击该商品的概率，也可能是用户购买商品的概率。目标函数的选择重要取决于营业目标，在这个例子中，你对用户的介入感兴趣(目标函数可能是点击或逗留的时光)照样对营业收入感兴趣(目标函数是购买)?另一个要推敲的关键身分是数据的可用性：对于要进修的算法，你必须供给大年夜量“标记”为正(用户看参预点击的产品)或负(用户看到的产品，但没有点击)的数据点。

二、若何开辟机械进修模型?

建模步调一览

大年夜较高的层次上来讲，创建一个优良的机械进修模型跟创建其他任何产品是一样的：起首大年夜构思开端，把要解决的问题和一些潜在的解决筹划放在一路推敲。一旦有了明白的偏向，就可以对解决筹划进行原型化，然后对它进行测试以肯定是否知足需求。你须要在构思、原型设计和测试之间赓续地迭代，直到你的解决筹划足够好，并可以或许投入市场，此时你就可以将其产品化，并宣布出去。如今，我们来看看每个阶段的细节吧。

因为数据是机械进修的重要构成部分，是以我们须要在产品开辟过程之长进行数据分层，是以我们的流程如下所示：

• 构思。让待解决的关键问题和针对解决筹划的潜在数据输入保持一致。
• 数据预备。以一种有效的格局收集和获取数据，以便对模型进行懂得和进修。
• 原型与测试。建立一个或一组模型来解决问题，测试它们履行和迭代的程度，直到有一个模型能获得令人知足的结不雅。
• 产品化。让模型以及数据收集与处理稳定化、范围化，以便在临盆情况中生成有效的输出。

这个阶段的目标是要让模型解决的关键问题、目标函数和潜在的输入作为一个整体与模型保持一致。

• 与问题保持一致。如前所述，机械进修可用于解决真正的营业问题。请确保你的团队和公司中的所有好处相干者就你正在解决的问题以及若何应用解决筹划杀青一致。
• 选择目标函数。待解决的问题决定了模型的目标是什么。模型试图猜测的目标函数是什么?你是否在查找数据中的模式?例如，将照片集按照某种特点分成多个组。
• 定义质量指标。你若何衡量模型的质量?在没有看到真正结不雅的时刻，一般很难预感可接收的质量，但目标的定向性对此是有赞助的。
• 集思广益所有可能的输入。你的目标是肯定哪些数据可以帮你解决问题或者做出决定。最有赞助的问题是：“专家会若何处理这个问题”。推敲一下解决筹划将以什么样的变量或者数据为基本。每一个可能幼ǚ敲?断定的身分是否都应当测试。请尽可能广泛地汇集这些问题的谜底。懂得关键身分可能须要有贸易方面专业的常识，这是企业或者产品人员须要在此阶段中频繁介入的重要原因之一。数据团队将不得不将这些潜在的输入转化为模型特点。请留意，为了将输入转换为特点，可能须要额外的处理，后面我们会具体评论辩论这个。
   1/2    1 2 下一页 尾页
  
  

  　　推荐阅读

  　　超过10亿人使用的Facebook改版了，新版的设计细节都在这儿！

  【51CTO晃荡】8.26 带你与清华大年夜学、搜狗、京东大年夜咖们一路商量基于算法的IT运维实践 Tony（作者）：Facebook比来在他们官方博客宣布了他们改版的界面，并且官方已抛出此次改版的>>>详细阅读

  
  

  本文标题：你需了解的机器学习算法、如何开发机器学习模型？

  地址：http://www.17bianji.com/lsqh/36940.html

   1/2    1