导语：上一篇文章里简单介绍了AI产品经理需要具备的能力和对数据、算法需要理解的程度；本篇计划介绍一下机器学习的实际训练过程，来进一步的理解AI产品在日常工作中需要关注的内容。我们一起来了解一下。

现简单的将训练流程划分为：定位要解决的任务类型 -> 选择合适的算法模型 -> 准备数据集 -> 训练模型 -> 调整参数 -> 模型评估及验收。

一、根据场景定位要解决的任务类型

结合不同的应用场景，机器学习核心解决的任务类型可以简单归纳为分类问题、回归问题、聚类问题、时间序列问题。

1. 分类问题

原理：根据样本特征提前定义好数据的分类，把具有相同特征的数据点落到提前定义好的类别标签上完成分类。

特点：数据样本有标签。

应用场景：人脸识别、垃圾邮件检测、图像识别、信用卡评估…

2. 回归问题

原理：通过历史数据的表现，拟合成一个目标函数，利用误差分析方法去确定拟合后表现最好的函数。

特点：数据是相互独立的点，且有对应标签。

应用场景：预估业务增量、房价增长、股票增长…

3. 聚类问题

原理：不需要提前去定义期望的数据需要怎样划分，根据样本特征的距离去决定分类，保持最小的组内相似。

特点：数据样本无标签，不需要提前去定义期望的数据需要怎样划分，根据样本特征的距离去决定分类，保持最小的组内相似。

应用场景：用户分群、商品聚类…

4. 时间序列问题

原理：与回归的逻辑相似，但对数据的要求不一样，数据按照时间顺序排列，根据相等间隔的时间段的数据表现规律去预估未来的表现。

特点：数据点之间彼此相关。

应用场景：需要进行周期性预测类的场景。

二、选择合适的算法模型

根据不同任务类型选择合适的算法模型，如果要解决的是分类问题，即对应的要选择擅长处理分类问题的算法模型，选择合适的模型可以提高数据训练的效率。

通常选择什么样的算法是由算法工程师主导的，产品经理只需要简单理解所解决的问题范围即可。

scikit-learn上支持的分类算法：

• 朴素贝叶斯分类器（Naive Bayes）
• K近邻分类器（KNeighbors Classifier）
• 决策树（Decision Tree）
• 支持向量机（SVC）
• 线性支持向量机（Linear SVC）
• 随机梯度下降分类器（SGD Classifier）
• 核估计（kernel approximation）
• 集成分类器（EnsembleClassifiers）

要解决聚类的问题，如用户分群，可以选择聚类的算法模型。

scikit-learn上支持的聚类算法：

• K均值（KMeans)
• 谱聚类（Spectral Clustering）
• GMM – 高斯混合模型
• MeanShift
• VBGMM
• MiniBatch KMeans

如果要依赖趋势做数值预测，如业务量增长，可以选择回归算法模型。

scikit-learn上支持的回归算法：

• 贝叶斯岭回归
• Logistic回归
• 支持向量机回归
• 决策树回归
• LASSO
• 随机梯度下降回归（SGD Regressor）

三、准备数据集

准备数据集包含了数据处理、特征提取、训练集、测试集的分割。

1. 数据预处理

通常来说，我们收集上来的数据来源比较多，可能会存在一些问题，例如数据缺失、数据格式不一致、数据集分布不均匀、数据重复等问题，因此需要进行数据的预处理。

不同问题的处理方式：

• 数据缺失：如果数据缺失占比不大，可以把有缺失的数据进行删除，若本身数据量级就不是很多，可以进行人工填补，通常经过经验填补或者均值填补。
• 数据格式不统一/量纲不统一：进行格式转化，数据归一化处理。
• 数据分布不均匀：可以根据样本分布特点进行随机重复采样，以补充数据量少的分布，但容易丢失重要特征。

2. 特征提取

在机器学习的训练中，需要将业务维度相关的数据进行向量转化，解决部分复杂问题时，如果维度较多在转化过程中很容易造成大量的计算资源的消耗，一般会先进行特征的提取，也就是常说的特征工程，来进行维度的简化。

常用的方法是主成分分析，原理是将两个或几个独立的特征组合到一起形成一个特征；利用这种方式进行降维，使训练的维度减少，提高训练效率。

3. 训练集、测试集的分割

在机器学习模型训练之前，通常要进行数据的分割，常用的有1/4分割、1/10分割，具体需要根据自己的数据样本量去拆分。

四、训练模型 & 调整参数

准备好数据集，确定了要使用的算法，下一步要进行具体的模型训练；上一篇文章中我们提到机器学习模型训练中经常遇到的两个问题，过拟合和欠拟合。

1. 过拟合

特点：在训练集上表现非常好，但是在测试数据或者验证数据上表现很差，说明模型缺失泛化能力。

原因：训练数据太少或者学习后的模型过于复杂。

解决方法：增加训练样本，或者减少数据维度，或者为模型添加一个正则项来扩大模型在训练上的误差。

2. 欠拟合

特点：在训练集上表现不好，在测试数据上表现也不好。

原因：维度较少拟合的函数不足以表达数据规律。

解决方法：补充维度增加模型的复杂程度。

图上是线性回归模型表现出的三种状态，中间图为模型训练好后该具备的样子；紫色线为模型训练好后拟合出的函数，绿色线为真实数据该拟合出的函数，点代表样本数据。

3. 参数调整

针对调参的环节，一般会通过交叉验证来确定最优参数。当然，一些对模型训练做的比较多的算法大牛，也会根据自己的经验去指定参数进行算法调优。

以KNN算法为例：

最简单的方式：K=1、2、3，然后分别进行实验，对比结果，选择最优参数。

交叉验证：将一部分数据从训练集上分割出来，从这小部分数据集中进行验证；例如下图，把训练集划分为5份，分别采用每一小份当作交叉实验的测试集，对比每一次实验的结果，去分别记录预估的准确率，最后选择准确率最高的参数作为模型最优参数。

这里需要注意分组实验只是为了确定最优参数，在参数确认后，还是需要将全部数据合并到一起进行模型训练，得到目标函数，很多人在调参的环节容易忽视此步骤。

五、模型评估及验收

最常见的方法是看模型的准确率，但模型整体准确率高，不代表模型表现就好；因为在某些任务场景下，更多关注的是某个类别或者某个分布下的准确率，而非整体的准确率。

例如在图像识别的场景下，首先会去关注模型对于图像内容识别的召回率，所谓召回率就是在所有要检测的图片样本中，被预测正确的个数，也叫做查全率；然后在去看模型的精准度，也就是所有预测出的结果中，预估正确的个数。

二者的区别在于，前者关注的是在所有真实样本中被正确检测的情况，后者关注的是预测结果中被正确检测的情况，下表是分类问题的混淆矩阵。

举例：数据样本中有猫和狗的图片，我们用图像识别来检测是猫的图片。

• 真正例（TP）：图片预测结果是猫，真实图片结果是猫；
• 假正例（FP）：图片预测结果是猫，真实图片结果是狗；
• 真反例（TN）：图片预测结果是狗，真实图片结果是狗；
• 假返例（FN），图片预测结果是狗，真实图片结果是猫；

本次任务是“检测出猫”的图片，即使模型正确检测出狗，也不满足于我们当前的分析任务，因此基于任务而言，正确预测出是狗的情况为真返例。

真返利的数据在“检测出猫”的任务中不会被算到准确率中，基于“检测出猫”这个任务的召回率和准确率的计算为：

• 召回率TP/（TP+FP）
• 准确率TP/（TP+FN）

另外一种评估模型准确率的方法是观察ROC、AUC和EER数据，并进行对比评估。

ROC曲线图如下：

绿线为ROC曲线。

AUC代表了蓝色面积，蓝色面积越大，说明模型预估越准确。

EER为绿色线上的原点，值越小代表了模型的误差越小。

#专栏作家#

大鹏，公众号：一个数据人的自留地。人人都是产品经理专栏作家，《数据产品经理修炼手册》作者。

本文原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议。