数据挖掘比赛/项目全流程介绍

Posted 2021-02-28 zhengzhicong

【说在前面】本人博客新手一枚，象牙塔的老白，职业场的小白。以下内容仅为个人见解，欢迎批评指正，不喜勿喷！[握手][握手]

1. 数据预处理

1.1 选择数据样本（企业级应用）

• 例如客观选择某一时间段内的所有样本集合等（避免人为主观选择）
• 例如在评价样本中去除恶意/随意评价样本等（避免错误样本的干扰）

1.2 可视化特征分布

• dataframe.info/dataframe.describe等（查看数据样本的整体分布情况）
• dataframe.plot/matplotlib/seaborn等（包括柱状图/散点图/折线图等）

1.3 缺失值处理

• 如果某样本的缺失记录占比较大：
  • 可统计为“缺失量”
  • 可直接删除该样本
• 如果某特征的缺失记录占比较大：
  • 可二值化为“有/无”
  • 可直接删除该样本
• 如果某样本/特征的缺失记录占比较小：
  • 可根据领域知识补全
  • 数值型：可根据均值/众数/模型预测等补全
  • 类别型：可以定义为新的类别等
• 可不处理，有些模型对缺失值不敏感：例如树模型/神经网络等

1.4 异常值处理

• 异常值判定：需根据数据分布/业务场景等
  • RobustScaler/robust_scale等
  • 之后会推出异常值检测专题
• 可直接删除该样本
• 可采用缺失值的处理方式
  • 注意数据不一致问题
  • 注意数值型可用盖帽/对数变换等压缩
• 可不处理，有些模型对异常值不敏感：例如KNN/随机森林等

2. 特征工程

2.1 数值型

• 连续型：离散化（例如年龄/身高/体重等）
  • 无监督：分箱等
  • 有监督：基于卡方检验/信息增益等
• 标准化/归一化：Normalizer/StandardScaler/MinMaxScaler

2.2 非数值型

• 类别型
  • 存在排序问题的编码：sklearn.preprocessing.LabelEncoder
  • 不存在排序问题的编码：sklearn.preprocessing.OneHotEncoder/get_dummies/Binarizer二值化
• 时间型
  • 与数值型/类别型进行特征交叉/组合（企业级应用很常见）
  • 采用时间滑动窗口统计特征count/min/max/mean/median/mode/variance等
• 字符串型
  • 可采用词袋模型/TF-IDF/主题模型/Word Embedding等

2.3 特征体系扩充

• 特征交叉/特征组合等
• 多项式转换：PolynomialFeatures
• 引入新特征：根据迭代评估决定是否添加（企业级应用）

2.4 特征选择（降维）

• 去掉取值变化小的特征：取值基本都相同的特征
• 衡量单个特征和标签的关联度：scipy.stats.pearsonr/minepy.MINE/回归权重等
• 含正则化的线性模型/树模型等：SelectKBest/SelectFromModel
• 其他特征选择思路：RandomizedLasso/sklearn.feature_selection.RFE
• 降维：sklearn.decomposition.PCA/sklearn.lda.LDA

2.5 sklearn.pipeline

• 能够完成流水线式和并行式的工作

3. 模型选择/融合

3.1 常见的机器学习算法

• lr/svm/rf/GBDT/xgboost/lightgbm等

3.2 模型融合

• 回归预测的boosting思路：各模型的加权平均融合
• 分类识别的bagging思路：各模型的投票融合
• Stacking/Blending等模型融合方法

3.3 企业级模型应用思路

• lr/xgboost/gbdt+lr/引入DNN等

4. 模型训练/测试

4.1 数据集划分

• 按比例划分：sklearn.model_selection.train_test_split
• K折交叉验证：KFold/GroupKFold/StratifiedKFold

4.2 调参

• 网格搜索/贝叶斯优化等（sklearn.grid_search.GridSearchCV）

5. 其他问题

5.1 样本不均衡问题

• 数据角度：欠采样/过采样/SMOTE算法等
• 模型角度：调整lr的阈值/采用树模型等
• 评估角度：采用F1值/ROC曲线等

5.2 无标签样本问题

• 半监督学习方法/聚类思考等

5.3 欠拟合/过拟合问题

• 欠拟合
  • 特征扩充/非线性模型等
• 过拟合
  • 扩充数据集/正则化/early stoppping/交叉验证
  • Dropout/batch normalization

6. 模型评估

6.1 回归问题

• 平均绝对误差MAE/平均平方误差MSE/均方根误差RMSE/决定系数R2等

6.2 分类问题

• 混淆矩阵/准确率/召回率/F1/ROC曲线/AUC/PR曲线/交叉熵损失等

6.3 上线问题

• 线下预估/流量分配/ABtesting/业务评估指标等（企业级应用）

老规矩，最后直接上完整的思维导图！

如果您对人工智能算法感兴趣，欢迎浏览我的另一篇博客：人工智能新手入门学习路线和学习资源合集（含AI综述/python/机器学习/深度学习/tensorflow）
如果你是计算机专业的应届毕业生，欢迎浏览我的另外一篇博客：如果你是一个计算机领域的应届生，你如何准备求职面试？
如果你是计算机专业的本科生，欢迎浏览我的另外一篇博客：如果你是一个计算机领域的本科生，你可以选择学习什么？
如果你是计算机专业的研究生，欢迎浏览我的另外一篇博客：如果你是一个计算机领域的研究生，你可以选择学习什么？
如果你对金融科技感兴趣，欢迎浏览我的另一篇博客：如果你想了解金融科技，不妨先了解金融科技有哪些可能？
之后博主将持续分享各大算法的学习思路和学习笔记：hello world: 我的博客写作思路