数据清洗

不可信样本丢弃

缺省值极多的字段考虑不用

数据采样

下/上采样

保证样本均衡

特征处理

数值型

类别型

时间型

文本型

统计型

组合特征

特征选择

过滤型

sklearn.feature_selection.SelectKBest

包裹型

sklearn.feature_selection.RFE

嵌入型

feature_selection.SelectFromModel

Linear model, L1正则

模型选择

1.样本量很小的情况下，可以考虑直接用一些统计规则，而不用使用模型，反而可控，可解释性强

2. 样本量大，机器学习模型，y是不是类别变量（分类，回归），是否有标签（有监督，无监督）

3.文本数据可能考虑TF-IDF, SVM, 朴素贝叶斯；图像可能考虑deep learning

超参数的选择

交叉验证

K 折交叉验证，用于超参数的选择

正则化其实是约束你的样本空间，不会让你去你和一些极端的离群点

交叉验证选取超参数

模型状态

欠拟合

过拟合

随着样本的增长，训练集准确率不断下降，验证集准确率不断上升。

如果训练集的曲线的准确率比较低，那么模型就是欠拟合

如果训练集的曲线和验证集曲线中间的距离很大，那么模型就是过拟合

不同模型状态处理

过拟合

找更多的数据学习

增大正则化系数

减少特征个数（不是太推荐）

欠拟合

找到更多系数

减小正则化系数

线性模型的权重分析

过线性或者线性kernel的model：Linear regression , logistic regression, linearSVM

对于权重值较大的特征，你可能会去做更细划分，比如如果城市这个特征的权重值比较大，你可能会去再把城市下面区的特征再拿出来。或者将两个权重较大的特征进行组合，比如性别和城市组合。

Bad case分析

针对分类问题：哪些训练样本分错了？我们哪部分特征使得它做了这个判定？这些badcase有没有共性，是否有还没有挖掘的特性。

模型融合

什么是模型融合？融合学习是一组个体学习器的组合，如果这些个体学习器都是同质的，比如决策树，再用bagging，或者是gbdt这种递进学习的情况，成为基础学习器（base learner) ,如果这些个体学习器是异质的，成为组合学习器。

可以更加接近真实值

1.群众的力量是伟大的，集体智慧是惊人的

bagging \Random forest

缓解过拟合，多给他点题，别让他死记硬背；多找几个同学做题，综合一下他们的答案

2.站在巨人的肩膀上能看的更远

模型stacking，多个模型的输出，重新作为输入，如果是分类，可以取不同的权重后，再用符号函数，求得最后的分类。

3.一万小时定律

adaboost：重复迭代和训练，每次分配更错样本更高的权重，最简单分类器叠加

每个简单分类器给予不同的权重

逐步增强树/gradient boosting tree

与标准答案做一个差值，绿色点为差值情况，学习差距，不断的学习差值

模型优化