ML_02(机器学习系统的路线)
作者：互联网
术语
训练样本：代表数据集的观察，记录，个体或者样本
训练：模型拟合，对参数型模型而言，类似参数估计
特征：等同于预测因子，变量，输入，属性或协议量等
目标：等同于结果，输出，响应变量，因变量，分类标签或真值等
损失函数：经常与代价函数同义，有时也被称为误差函数
1.预处理——整理数据
原始数据很少能以满足学习算法的最佳性能所需要的理想形式出现，因此，数据的预处理是所有机器学习应用中最关键的步骤之一。
为了确定机器学习算法不仅在训练数据集上表现良好，而且对新数据也有很好的适应性，我们希望将数据集随机分成单独的训练数据集和测试数据集。用训练数据集来训练和优化机器学习模型，同时把测试数据集保留到最后以评估最终的模型。
2.训练和选择预测模型
在实践前，至少要比较几种不同的算法，以便训练和选择性能最好的模型，但在比较不同的模型之前，我们首先要确定度量性能的指标。
我们可以采用不同的交叉验证技术，将数据集进一步拆分为训练数据集和验证数据集，以评估模型的泛化能力。
3.评估模型并对未曾谋面的数据进行预测
在训练数据集上拟合并选择模型之后，我们可以用测试数据集来评估它在从来没见过的新数据上的表现，以评估泛化误差。
标签：02,学习,训练,ML,模型,测试数据,路线,数据,评估 来源： https://www.cnblogs.com/14Si/p/16402107.html