04 数据建模 4 机器学习的一般步骤 5 机器学习的一般步骤 数据搜集 数据清洗 特征工程 数据建模 6 机器学习的一般步骤 数据搜集 数据清洗 特征工程 数据建模 • 基于性能指标比较几种机 器学习模型 • 对最佳模型执行超参数调 整 • 在测试集上评估最佳模型 • 解释模型结果 • 得出结论 • 数据清理和格式化 • 探索性数据分析(EDA) • 特征工程 不考虑时间因素，通常打乱数据 3.特征工程 23 4.数据建模 01 机器学习项目流程概述 02 数据清洗 03 特征工程 04 数据建模 24 数据建模 • 基于性能指标比较几种机器学习模型 • 对最佳模型执行超参数调整 • 在测试集上评估最佳模型 • 解释模型结果 • 得出结论 25 参考文献 1. https://github.com/WillK

?? + ?，其中 模型的输出记为输入的预测值 ，通常希望 越接近真实标签?越好。一般把输入经过一次 (线性)变换叫作一层网络。 3.3 误差计算 对于分类问题来说，任务的目标是最大化某个性能指标，比如准确率???，但是把准确 率当作损失函数去优化时，会发现 ???? ?? 其实是不可导的，无法利用梯度下降算法优化网络 参数?。一般的做法是，设立一个平滑可导的代理目标函数(Proxy 即为网络的输出。通过上述代码即可使用训练好的模型去预测新样本的标签信 息。 如果只是简单的测试模型的性能，可以通过 Model.evaluate(db)循环测试完 db 数据集 上所有样本，并打印出性能指标，例如： network.evaluate(db_test) # 模型测试，测试在 db_test 上的性能表现 8.3 模型保存与加载 模型训练完成后，需要将模型保存到文件系统上，从而方便后续的模型测试与部署工 即为网络的输出。通过上述代码即可使用训练好的模型去预测新样本的标签信 息。 如果只是简单的测试模型的性能，可以通过 Model.evaluate(db)循环测试完 db 数据集 上所有样本，并打印出性能指标，例如： network.evaluate(db_test) # 模型测试，测试在 db_test 上的性能表现 8.3 模型保存与加载 模型训练完成后，需要将模型保存到文件系统上，从而方便后续的模型测试与部署工