机器学习的案例分析
https://mp.weixin.qq.com/s/93EuF5cU4NPMD2QCGDWtuw完整的端到端的机器学习流程（附代码和数据）|比赛、工程都可以用！
项目目标：
[*]使用提供的建筑能源数据开发一个模型，该模型可以预测建筑物的能源之星得分，
[*]然后解释结果以找到最能预测得分的变量。
项目介绍：这是一个受监督的回归机器学习任务：给定一组包含目标（在本例中为分数）的数据，我们希望训练一个可以学习将特征（也称为解释变量）映射到目标的模型。
[*]受监督问题：我们可以知道数据的特征和目标，我们的目标是训练可以学习两者之间映射关系的模型。
[*]回归问题：Energy Star Score是一个连续变量。
在训练中，我们希望模型能够学习特征和分数之间的关系，因此我们给出了特征和答案。然后，为了测试模型的学习效果，我们在一个从未见过答案的测试集上进行评估我们在拿到一个机器学习问题之后，要做的第一件事就是制作出我们的机器学习项目清单。下面给出了一个可供参考的机器学习项目清单，它应该适用于大多数机器学习项目，虽然确切的实现细节可能有所不同，但机器学习项目的一般结构保持相对稳定：
[*]数据清理和格式化
[*]探索性数据分析
[*]特征工程和特征选择
[*]基于性能指标比较几种机器学习模型
[*]对最佳模型执行超参数调整
[*]在测试集上评估最佳模型
[*]解释模型结果
[*]得出结论
提前设置机器学习管道结构让我们看到每一步是如何流入另一步的。但是，机器学习管道是一个迭代过程，因此我们并不总是以线性方式遵循这些步骤。我们可能会根据管道下游的结果重新审视上一步。例如，
[*]虽然我们可以在构建任何模型之前执行特征选择，但我们可以使用建模结果返回并选择一组不同的特征。
[*]或者，建模可能会出现意想不到的结果，这意味着我们希望从另一个角度探索我们的数据。
[*]一般来说，你必须完成一步才能继续下一步，但不要觉得一旦你第一次完成一步，你就不能回头做出改进！你可以在任何时候返回前面的步骤并作出相应的修改。
页:
[1]