19、利用机器学习构建实用模型

利用机器学习构建实用模型

1. 前期工作回顾与总结

在项目前期，团队确定了所提议的应用与运营效率相关。虽应用中无个人数据，但数据治理问题被视为关键。若应用内数据管理不善，结果可能产生误导。同时，团队也认识到人为因素和监督是重要关注点，并决定在冲刺阶段 2 解决这些问题，确保建模技术能支持洞察和与预测分析的交互。此外，团队计划使用可禁用系统中预测分析的控制措施，并采用仅趋势或稳态预测。还准备、存档并向团队传达了一份伦理报告。

拿到数据集后，团队开展了一些简单的建模工作，以创建支持评估待生成模型的基线信息，并为团队提供有关未来挑战的反馈。Danish 迅速为库存需求和客户流失率实施了回归模型，提供了基线性能指标。结果显示，即使在他使用的有限数据集和样本中，也有一些强烈的信号。在快速测试中，模型预测与观察到的波动相关性良好。不过，Danish 对数据做了很多假设，大家都清楚问题远未解决。

在冲刺回顾会议上，准备并展示了关于数据调查、应用定义、探索性数据分析（EDA）和伦理报告结果等重要元素的说明，以此为依据向客户请求批准冲刺阶段 1。随后制定并商定了冲刺阶段 2 的待办事项，从而开启了冲刺阶段 2。

1.1 前期工作要点总结

• 通过开展 EDA，可深入了解开发符合项目要求的模型的潜力。
• 一旦数据集可用于分析，就能系统地探索非结构化数据。
• 使用图形（图表和绘图）来探索和说明数据特征，可视化方法很有启发性，向未来参与项目的人员传达发现的信息很重要。
• 简单方法（计数、大小、标签等）能为非结构化数据提供一些见解，现代方法（嵌入、映射等）可进一步刻画这些数据集，应探索现