4、机器学习预测的关键方法与流程

机器学习预测的关键方法与流程

1. 机器学习基础认知

机器学习并非仅仅是熟悉几个工具包，更需要理解并实践开发可部署模型的过程。它需要具备本科基础数学、概率和统计的基本知识，但不要求有机器学习背景。重点在于掌握解决各类问题的优秀算法，而非全面涉猎所有机器学习算法。一些算法虽有趣但使用不频繁，可能是因为扩展性不佳、难以洞察内部机制或使用难度大等。例如，梯度提升算法在在线机器学习竞赛中表现出色。

2. 构建机器学习问题框架

2.1 问题转化

当面对一个机器学习问题时，如“让我们取得更好的结果”这样的笼统表述，需先转化为可衡量和优化的具体目标。以网站所有者为例，具体目标可能是提高点击率、增加销售额或提升贡献利润率。

2.2 数据收集

接下来要收集数据，用于预测客户点击链接或购买产品的可能性。这些数据可表示为属性矩阵，如网站访客过去浏览的页面或购买的商品。同时，机器学习算法还需要正确答案（即目标值）进行训练，避免单纯记忆过去的行为。

2.3 问题迭代

问题的多个方面通常有多种解决方式，因此在构建问题、选择和训练模型以及评估性能之间会存在迭代过程。例如，构建自动证券交易系统时，预测证券价格变化的方式有多种，如计算当前价格与未来10分钟、10天价格的差值，或与未来10分钟内最大/最小价格的差值，还可以用“更高”或“更低”的二态变量表示。需要通过实验确定最佳选择。

以下是这个过程的mermaid流程图：

graph LR
    A[定性问题描述] --> B[数学问题描述