stay hungry stay foolish

参考资料[1] 魏贞原.2018.机器学习:Python实践[M].北京:电子工业出版社

结果部署是机器学习项目中的最后一步，也是最重要的步骤之一。选定算法之后，对算法训练生成模型，并部署到生产环境上，以便利用机器学习解决实际问题。模型生成之后，也需要定期对模型进行更新，使模型处于最新、最有效的状态，通常建议3~6个月更新一次模型。参考资料[1] 魏贞原.2018.机器学习:Python实践[M].北京:电子工业出版社...

机器学习的模型都是参数化的，可以通过调参来提高模型的准确度。模型有很多参数，如何找到最佳的参数组合，可以把它当作一个查询问题来处理，但调整参数到何时为止呢？应该遵循偏差和方差协调的原则。1 机器学习算法调参调整算法参数是采用机器学习解决问题的最后一个步骤，有时也被称为超参数优化。学会调参是进行机器学习的前提。参数可以分为两种：一种是影响模型在训练集上的准确度或防止过拟合能力的参数；另一种是不影响这两者的参数。模型在样本总体上的准确度由其在训练集上的准确度及其防止过拟合的能力共同决定，所以在调参时主要

1 集成算法参考资料[1] 魏贞原.2018.机器学习:Python实践[M].北京:电子工业出版社

1 机器学习的自动化流程参考资料[1] 魏贞原.2018.机器学习:Python实践[M].北京:电子工业出版社

1 选择最佳的机器学习算法当参与一个机器学习的项目时，会经常需要选择一种合适的算法模型。每种模型都有各自适合处理的数据特征，通过交叉验证等抽样验证方式可以得到每种模型的准确度，并选择合适的算法。通过这种评估方法，可以找到一种或两种最适合问题的算法。当得到一个新的数据集，应该通过不同的维度来审查数据，以便于找到数据的特征，这种方法也适用于选择算法模型。同样需要从不同维度，用不同的方法来观察机器学习算法的准确度，并从中选择一种或者两种对问题最有效的算法。可以通过可视化的方式展示平均准确度、方差等属性，以

1 线性算法1.1线性回归算法from pandas import read_csvfrom sklearn.model_selection import KFoldfrom sklearn.model_selection import cross_val_scorefrom sklearn.linear_model import LinearRegression# 导入数据filename = 'housing.csv'names = ['CRIM', 'ZN', 'INDUS'.

1 算法审查参考文献[1] 魏贞原.2018.机器学习:Python实践[M].北京:电子工业出版社

1 算法评估矩阵1.1 分类算法矩阵1.1.1 分类准确度分类准确度是算法自动分类正确的样本数除以所有的样本数得出的结果。通常，准确度越高，分类器越好。这是分类算法中最常见，也最容易被误用的评估参数。准确度是一个很直观的评价指标，但有时候准确度高并不代表算法就一定好。from sklearn.model_selection import KFoldfrom sklearn.model_selection import cross_val_scorefrom sklearn.linear

参考资料[1] 魏贞原.2018.机器学习:Python实践[M].北京:电子工业出版社s

1 数据预处理数据预处理大致分为三个步骤：数据的准备、数据的转换、数据的输出。1.1 格式化数据scikit-learn提供了适合和多重变换（Fit and Multiple Transform）和适合和变换组合（Combined Fit-and-Transform）两种标准的格式化数据的方法。推荐优先使用适合和多重变换（Fit and Multiple Transform）方法。1.2 调整数据尺度# # # 调整数据尺度（0..）from pandas import read_c

1 数据导入在机器学习中使用的数据通常会以csv的格式来存储，或者能够方便地转化为csv格式1.1 采用标准Python类库导入数据from csv import readerimport numpy as np# 采用标准的Python类库导入csv数据filename = 'pima_data.csv'with open(filename, 'rt') as raw_data: readers = reader(raw_data, delimiter=',') x

1 基本步骤1.1 导入数据1.1.1 导入类库1.1.2 导入数据集1.2 概述数据1.3 数据可视化1.4 评估算法1.5 实施预测