机器学习实践1：基于logistic regression的性别预测

一、背景简介
用户性别预测是我进入机器学习领域的HelloWorld级工程实践，也是第一个从业务需求分析、数据源调研、数据整理和特征工程到建模、模型评估、系统部署这一完整流程都由自己独立设计实现的工程。非常有幸能接触到这个难度不是很大，但是却很好将我带入机器学习的世界的工程。前后大约花了4个月的时间做了三个版本，这是其中第二个版本，这个版本耗时大约1.5个月。
二、整个预测流程
1.基本信息
算法：采用LR算法
环境：hadoop集群+python环境服务器
第三方库：liblinear（liblinear算法库） jieba（分词工具）
业务目标：活跃用户的性别预测准确率和覆盖率均要达到90%以上
2.  基于CRISP-DM的预测流程

3.性别预测第二版流程图

三、数据处理流程
此处由于时间比较急，后面补上。
目前预测效果贴个图，男性的精确率94.25%，女性的为82.67%，总体准确率90.88%，目前除了女性的精确率指标未达到，其他指标均已达到。

四、经验总结
坊间常说：“数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。”这就说明了数据源和特征工程在机器学