机器学习应用的一般步骤

在我们准备用机器学习构建一个分类器来处理实际问题时，还需要做些其他的准备工作：

1. 根据你的问题选择一种合适的机器学习方法，因为每种机器学习的算法都有各自不同的特点，能适应的场景也不同，所以选择合适的机器学习方法事半功倍。
2. 根据你的问题选择合适的特征来进行分析，因为事物之间都有自己的特征，选择好事物独特的特征来进行也能提高训练效果。
3. 根据你的问题设置合适的分析模型参数，每一种机器学习算法都会依据模型参数设置决策边界。

机器学习的一般步骤可以归纳为两个：

• 训练
• 测试

训练

这一步主要是根据数据确定用于训练的特征向量，然后设置训练的参数，构建分类器模型。

• 为了得到高精度的预测，选择合适的特征是非常重要的。另外，每一种机器学习方法都有各自的特征数据类型的格式，例如算法模型接受(x,y)作为参数，那么有的x,y可能只能是0、1;有的可能是其他的要求。
• 每一种机器学习方法都有一套独特的参数集，如逻辑回归，需要调节的通常只有正则项系数C；如随机森林，需要调节的变量会多出不少；再如神经网络中的神经元个数…在训练的过程中，模型的参数会根据测试的结果不断的被修改和调整，直到找到合适的模型。

测试

根据测试数据集确定用于测试的特征向量，注意，训练和测试的数据集是不同的，然后根据测试结果，选择最佳的模型。

• 同训练数据集同样的特征和同样的模型的参数

在使用机器学习时，训练数据集下的预测效果很好，但是测试集中表现不好的模式有两种：

• 将认为有意义的数据，其实是无意义的干扰数据混到训练数据集
• 根