来源：AI自研社
本篇文章为大家介绍一种可解决机器学习问题的通用模板，内容节选自《Python深度学习》，个人觉得写的非常好，可以拿来反复的研读和领悟。
首先，你必须定义所面对的问题。
你的输入数据是什么？你要预测什么？只有拥有可用的训练数据，你才能学习预测某件事情。比如，只有同时拥有电影评论和情感标注，你才能学习对电影评论进行情感分类。因此，数据可用性通常是这一阶段的限制因素（除非你有办法付钱让人帮你收集数据）。
你面对的是什么类型的问题？是二分类问题、多分类问题、标量回归问题、向量回归问题，还是多分类、多标签问题？或者是其他问题，比如聚类、生成或强化学习？确定问题类型有助于你选择模型架构、损失函数等。
只有明确了输入、输出以及所使用的数据，你才能进入下一阶段。注意你在这一阶段所做的假设，这点很重要。
❑假设输出是可以根据输入进行预测的。
❑假设可用数据包含足够多的信息，足以学习输入和输出之间的关系。
在开发出工作模型之前，这些只是假设，等待验证真假。并非所有问题都可以解决。你收集了包含输入X和目标Y的很多样例，并不意味着X包含足够多的信息来预测Y。例如，如果你想根据某支股票最近的历史价格来预测其股价走势，那你成功的可能性不大，因为历史价格并没有包含很多可用于预测的信息。
有一类无法解决的问题你应该知道，那就是非平稳问题（nonstationary problem）。假设你想要构建一个服装推荐引擎，并在一个月（八月）的数据上训练，然后在冬天开始生成推荐结果。一个大问题是，人们购买服装的种类是随着季节变化的，即服装购买在几个月的尺度上是一个非平稳现象。你想要建模的对象随着时间推移而改变。在这种情况下，正确的做法是不断地利用最新数据重新训练模型，或者在一个问题是平稳的时间尺度上收集数据。对于服装购买这种周期性问题，几年的数据足以捕捉到季节性变化，但一定要记住，要将一年中的时间作为模型的一个输入。
请记住，机器学习只能用来记忆训练数据中存在的模式。你只能识别出曾经见过的东西。在过去的数据上训练机器学习来预测未来，这里存在一个假设，就是未来的规律与过去相同。但事实往往并非如此。
要控制一件事物，就需要能够观察它。要取得成功，就必须给出成功的定义：精度？准确率（precision）和召回率（recall）？客户保留率？衡量成功的指标将指引你选择损失函数，即模型要优化什么。它应该直接与你的目标（如业务成功）保持一致。
对于平衡分类问题（每个类别的可能性相同），精度和接收者操作特征曲线下面积（area under the receiver operatingcharacteristiccurve, ROC AUC）是常用的指标。
对于类别不平衡的问题，你可以使用准确率和召回率。对于排序问题或多标签分类，你可以使用平均准确率均值（mean averageprecision）。自定义衡量成功的指标也很常见。
一旦明确了目标，你必须确定如何衡量当前的进展。前面介绍了三种常见的评估方法。
❑ 留出验证集。数据量很大时可以采用这种方法。
❑ K折交叉验证。如果留出验证的样本量太少，无法保证可靠性，那么应该选择这种方法。
❑ 重复的K折验证。如果可用的数据很少，同时模型评估又需要非常准确，那么应该使用这种方法。
只需选择三者之一。大多数情况下，第一种方法足以满足要求。
一旦知道了要训练什么、要优化什么以及评估方法，那么你就几乎已经准备好训练模型了。但首先你应该将数据格式化，使其可以输入到机器学习模型中（这里假设模型为深度神经网络）。
❑ 如前所述，应该将数据格式化为张量。
❑ 这些张量的取值通常应该缩放为较小的值，比如在[-1,1]区间或[0,1]区间。
❑ 如果不同的特征具有不同的取值范围（异质数据），那么应该做数据标准化。
❑你可能需要做特征工程，尤其是对于小数据问题。准备好输入数据和目标数据的张量后，你就可以开始训练模型了。
这一阶段的目标是获得统计功效（statistical power），即开发一个小型模型，它能够打败纯随机的基准（dumbbaseline）。
在MNIST数字分类的例子中，任何精度大于0.1的模型都可以说具有统计功效；在IMDB的例子中，任何精度大于0.5的模型都可以说具有统计功效。
注意，不一定总是能获得统计功效。如果你尝试了多种合理架构之后仍然无法打败随机基准，那么原因可能是问题的答案并不在输入数据中。要记住你所做的两个假设。
❑假设输出是可以根据输入进行预测的。
❑假设可用的数据包含足够多的信息，足以学习输入和输出之间的关系。这些假设很可能是错误的，这样的话你需要从头重新开始。如果一切顺利，你还需要选择三个关键参数来构建第一个工作模型。
❑最后一层的激活。它对网络输出进行有效的限制。例如，IMDB分类的例子在最后一层使用了sigmoid，回归的例子在最后一层没有使用激活，等等。
❑损失函数。它应该匹配你要解决的问题的类型。例如，IMDB的例子使用binary_crossentropy、回归的例子使用mse，等等。
❑优化配置。你要使用哪种优化器？学习率是多少？大多数情况下，使用rmsprop及其默认的学习率是稳妥的。
关于损失函数的选择，需要注意，直接优化衡量问题成功的指标不一定总是可行的。有时难以将指标转化为损失函数，要知道，损失函数需要在只有小批量数据时即可计算（理想情况下，只有一个数据点时，损失函数应该也是可计算的），而且还必须是可微的（否则无法用反向传播来训练网络）。例如，广泛使用的分类指标ROC AUC就不能被直接优化。因此在分类任务中，常见的做法是优化ROC AUC的替代指标，比如交叉熵。一般来说，你可以认为交叉熵越小，ROC AUC越大。
下表列出了常见问题类型的最后一层激活和损失函数，可以帮你进行选择。
一旦得到了具有统计功效的模型，问题就变成了：模型是否足够强大？它是否具有足够多的层和参数来对问题进行建模？
例如，只有单个隐藏层且只有两个单元的网络，在MNIST问题上具有统计功效，但并不足以很好地解决问题。请记住，机器学习中无处不在的对立是优化和泛化的对立，理想的模型是刚好在欠拟合和过拟合的界线上，在容量不足和容量过大的界线上。
为了找到这条界线，你必须穿过它。要搞清楚你需要多大的模型，就必须开发一个过拟合的模型，这很简单。
(1)添加更多的层。
(2) 让每一层变得更大。
(3) 训练更多的轮次。
要始终监控训练损失和验证损失，以及你所关心的指标的训练值和验证值。如果你发现模型在验证数据上的性能开始下降，那么就出现了过拟合。
下一阶段将开始正则化和调节模型，以便尽可能地接近理想模型，既不过拟合也不欠拟合。
这一步是最费时间的：你将不断地调节模型、训练、在验证数据上评估（这里不是测试数据）、再次调节模型，然后重复这一过程，直到模型达到最佳性能。你应该尝试以下几项。
❑添加dropout。
❑尝试不同的架构：增加或减少层数。
❑ 添加L1和/或L2正则化。
❑尝试不同的超参数（比如每层的单元个数或优化器的学习率），以找到最佳配置。
❑（可选）反复做特征工程：添加新特征或删除没有信息量的特征。请注意：每次使用验证过程的反馈来调节模型，都会将有关验证过程的信息泄露到模型中。如果只重复几次，那么无关紧要；但如果系统性地迭代许多次，最终会导致模型对验证过程过拟合（即使模型并没有直接在验证数据上训练）。这会降低验证过程的可靠性。
一旦开发出令人满意的模型配置，你就可以在所有可用数据（训练数据+验证数据）上训练最终的生产模型，然后在测试集上最后评估一次。如果测试集上的性能比验证集上差很多，那么这可能意味着你的验证流程不可靠，或者你在调节模型参数时在验证数据上出现了过拟合。在这种情况下，你可能需要换用更加可靠的评估方法，比如重复的K折验证。
