机器学习应用的基本流程

afadesj

使用机器学习进行应用程序开发时，通常遵循以下步骤。

1

建立数学模型

建模不是一件容易的事情，需要使用多种方法和手段收集数据，并且在得到数据后，需要对数据进行录入和一定的数据预处理，并保存成适当的数据格式，以便进行数据文件的使用。

2

选择算法

机器学习算法繁多，同一个问题可以使用多种算法来解决，而且新算法还在不断地涌现。但针对某一问题，不同的算法可能有不同的效果或效率，因此，适当选择机器学习算法来解决当前的具体问题显得尤为重要。

3

确立优化目标

可以说，所有的机器学习问题最终都转化为一个最优化问题，比如最小化均方误差，或者最大化似然函数等。

4

学习迭代

运用机器学习算法调用第 1 步生成的数据文件进行自学习，从而生成学习机模型。在这一步通常是采用某种优化算法 (比如梯度下降法) 去反复迭代以更新模型的参数，从而逐步逼近目标函数的最优解。

5

效果评估

回归实际问题，测试算法的工作效果。如果对算法的输出结果不满意，则可以回到第 4 步，进一步改进算法并进行重新测试。当问题与数据收集准备相关时，还需要回到第 1 步，重新考虑数据的筛选和预处理。

6

使用算法

将机器学习算法转换为应用程序，以便检验算法在实际工作中能否正常完成工作任务。

实事求是的说，机器学习的发展主要是算法的发展，当前主流的机器学习算法的梳理和总结详见教材 1.3 节。一般来说，在确立优化目标这一步，对于概率问题通常使用极大化对数似然函数作为优化目标；对于回归问题，一般采用平方误差作为损失函数，然后极小化这个损失函数作为目标；而对于分类问题则多用交叉熵作为损失函数。无论是极大化对数似然函数还是极小化损失函数，都有很多种优化方法可供选择，我们会在后续章节中进行专门的介绍。

值得注意的是，模型的评估和目标函数的设立可以是两回事，也可以是一回事。模型评估旨在从实际问题出发，而目标函数的设立除了要解决实际问题外，还需兼顾问题的可解性。比如对于分类问题，通常采用交叉熵作为目标函数，但模型评估采用的是AUC (Area Under Curve) 曲线指标。当然也可以采用AUC 指标作为目标函数去训练模型，但那样做的代价是使得优化算法变得十分复杂，这显然是得不偿失的。