机器学习：建模方法

机器学习的核心流程包括了业务洞察(Business Insight)、资料处里(Data Curation)、模型训练(Modeling)、布署上线(Deployment)、A/B 实验(Testing)、即时监控(Feedback)、持续优化(Improvement)。

在众多的机器学习主流框架当中，TensorFlow 和 PyTorch 仍是主流，都有广泛的应用。

1. 业务分析：
   理解业务场景(销售、商品、渠道、竞品、会员)及资料关联性，以选择适当的演算法及学习框架、确认建模方式和学习工具，
2. 资料收集：
   确保业务资料的真实性与一致性。
3. 资料整合：
   资料标记(Lable)和特徵提取(Feature Extraction)。
4. 资料清理：
   格式化和杂讯(Noise)消除。
5. 资料规约：
   • 维度规约：
     删除不必要的特徵値来压缩资料量：决策树、随机森林、主成分分析
   • 数值规约：
     将特徵值划离散化减少连续尺度的资料个数：线性回归、分群、采样
6. 资料变换：
   归一化(Normalization)、标准化(Standardization)和零均值化(Zero-centered)等资料激活方法。
7. 资料探索：
   透过资料可视化、拟合(Fitting)函式、特徵向量和特徵值计算探索资料的规律和关联性。
8. 特徵工程(Feature Engineering)：
   结合:专家经验"及"先验知识"持续进行 资料清理 → 资料规约 → 资料变换 以控制资料质量。
9. 模型训练：
   在模型训练过程，持续对 模型框架、目标函式、停止条件 对"超参数"进行优化调整。
10. 模型评估：
    使用留出法、交叉验证法、自助法，对精准度、召回率、AUC、损失(Loss)等指标进行评估。
11. 布署上线：
    将模型布署於线上服务，提供即时决策功能。
12. A/B实验：
    持续验证及优化模型。
13. 即时监控：
    监控特徵値分布作为模型优化依据。
14. 资料回归：
    将请求讯息、预估结果、特徵快照、用户行为等资料回归到"资料收集"步骤。