机器学习入门系列，黄海广老师主讲。本站将持续更新，ppt、代码、课后习题见文末。
本系列的目录
本章目录
15.1 机器学习项目流程概述
15.2 数据清洗
15.3 特征工程
15.4 数据建模
15.1 机器学习项目流程概述
视频讲解
图文内容
15.2 数据清洗
视频讲解
图文内容
15.3 特征工程
视频讲解
图文内容
15.4 回归的评价指标
视频讲解
项目讲解
这是一个机器学习的完整流程，附代码非常全，几乎适合任何监督学习的分类问题，本文提供代码和数据下载。
作者：WillKoehrsen
翻译：DeqianBai(https://github.com/DeqianBai)
这是2018年夏天，一位美国数据科学家在申请工作时的“作业”，完整的英文版作业在:
https://github.com/WillKoehrsen/machine-learning-project-walkthrough/blob/master/hw_assignment.pdf
项目目标：
- 使用提供的建筑能源数据开发一个模型，该模型可以预测建筑物的能源之星得分，
项目介绍：
这是一个受监督的回归机器学习任务：给定一组包含目标（在本例中为分数）的数据，我们希望训练一个可以学习将特征（也称为解释变量）映射到目标的模型。
- 受监督问题：我们可以知道数据的特征和目标，我们的目标是训练可以学习两者之间映射关系的模型。
- 回归问题：Energy Star Score是一个连续变量。
在训练中，我们希望模型能够学习特征和分数之间的关系，因此我们给出了特征和答案。然后，为了测试模型的学习效果，我们在一个从未见过答案的测试集上进行评估
我们在拿到一个机器学习问题之后，要做的第一件事就是制作出我们的机器学习项目清单。下面给出了一个可供参考的机器学习项目清单，它应该适用于大多数机器学习项目，虽然确切的实现细节可能有所不同，但机器学习项目的一般结构保持相对稳定：
提前设置机器学习管道结构让我们看到每一步是如何流入另一步的。但是，机器学习管道是一个迭代过程，因此我们并不总是以线性方式遵循这些步骤。我们可能会根据管道下游的结果重新审视上一步。例如，
- 虽然我们可以在构建任何模型之前执行特征选择，但我们可以使用建模结果返回并选择一组不同的特征。
- 或者，建模可能会出现意想不到的结果，这意味着我们希望从另一个角度探索我们的数据。
- 一般来说，你必须完成一步才能继续下一步，但不要觉得一旦你第一次完成一步，你就不能回头做出改进！你可以在任何时候返回前面的步骤并作出相应的修改。
代码部分
代码部分较长，仅贴代码的目录，完整代码在文末提供下载。
1. 数据清理和格式化
2. 探索性数据分析
- 2.5 双变量图（Two-Variable Plots）
3. 特征工程和特征选择
4. 基于性能指标比较几种机器学习模型
5. 对最佳模型执行超参数调整
6. 在测试集上评估最佳模型
7. 解释模型结果
8. 得出结论
代码截图
相关资源
课程门槛较低，只要有本科三年级以上的数学知识，会一种编程语言，就可以掌握这门课程的绝大部分内容。
课程链接（中国大学慕课，有习题和证书）：
https://www.icourse163.org/course/WZU-1464096179
课程资源（pdf版本课件和代码）公布在Github：
https://github.com/fengdu78/WZU-machine-learning-course
课程视频也可以在b站观看（观看方便，但无课后习题和证书）：
https://www.bilibili.com/video/BV1gP4y177cf?share_source=copy_web
如果是在校老师，请告知我们学校和姓名，我可以发原版ppt文件，请用edu邮箱联系我：haiguang2000@wzu.edu.cn
机器学习交流qq群955171419，加入微信群请
扫码：
