机器学习开发流程

• 数据来源

1. 公司本身就有数据
2. 合作过来的数据
3. 购买的数据

• 开发过程

4. 明确做什么问题–建立模型[根据数据类型]
5. 数据的基本处理： pd去处理数据（缺失值，合并）
6. 特征工程（对特征进行处理）【非常重要】
7. 寻找合适的算法进行预测 模型：算法 + 数据
8. 模型的评估，判定效果
9. 上线使用， 以API形式提供

• 判断数据类型

10. 离散型：在区间内不可再分，通常为整数。例如：人的数量
11. 连续型：在区间可分，可以无限划分，通常为非整数，含有小数部分。例如：长度、时间、质量

• 根据数据类型选择合适的算法
  比如一般来说目标值为离散型数据通常会作为分类算法的数据[猫狗的图像分类]
  目标值连续型数据通常会作为回归型算法的数据[股票预测]
• 机器学习算法分类

12. 监督学习（预测）:有特征值和目标值
    1> 分类 K-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络
    2> 回归 隐马尔可夫模型
13. 无监督学习：只有目标值
    聚类 k-means