導語：上一篇文章里簡單介紹了AI產品經理需要具備的能力和對數據、演算法需要理解的程度；本篇計劃介紹一下機器學習的實際訓練過程，來進一步的理解AI產品在日常工作中需要關注的內容。我們一起來了解一下。
現簡單的將訓練流程劃分為：定位要解決的任務類型 -> 選擇合適的演算法模型 -> 準備數據集 -> 訓練模型 -> 調整參數 -> 模型評估及驗收。
一、根據場景定位要解決的任務類型
結合不同的應用場景，機器學習核心解決的任務類型可以簡單歸納為分類問題、回歸問題、聚類問題、時間序列問題。
1. 分類問題
原理：根據樣本特徵提前定義好數據的分類，把具有相同特徵的數據點落到提前定義好的類別標籤上完成分類。
特點：數據樣本有標籤。
應用場景：人臉識別、垃圾郵件檢測、圖像識別、信用卡評估…
2. 回歸問題
原理：通過歷史數據的表現，擬合成一個目標函數，利用誤差分析方法去確定擬合后表現最好的函數。
特點：數據是相互獨立的點，且有對應標籤。
應用場景：預估業務增量、房價增長、股票增長…
3. 聚類問題
原理：不需要提前去定義期望的數據需要怎樣劃分，根據樣本特徵的距離去決定分類，保持最小的組內相似。
特點：數據樣本無標籤，不需要提前去定義期望的數據需要怎樣劃分，根據樣本特徵的距離去決定分類，保持最小的組內相似。
應用場景：用戶分群、商品聚類…
4. 時間序列問題
原理：與回歸的邏輯相似，但對數據的要求不一樣，數據按照時間順序排列，根據相等間隔的時間段的數據表現規律去預估未來的表現。
特點：數據點之間彼此相關。
應用場景：需要進行周期性預測類的場景。
二、選擇合適的演算法模型
根據不同任務類型選擇合適的演算法模型，如果要解決的是分類問題，即對應的要選擇擅長處理分類問題的演算法模型，選擇合適的模型可以提高數據訓練的效率。
通常選擇什麼樣的演算法是由演算法工程師主導的，產品經理只需要簡單理解所解決的問題範圍即可。
scikit-learn上支持的分類演算法：
- 樸素貝葉斯分類器（Naive Bayes）
- K近鄰分類器（KNeighbors Classifier）
- 決策樹（Decision Tree）
- 支持向量機（SVC）
- 線性支持向量機（Linear SVC）
- 隨機梯度下降分類器（SGD Classifier）
- 核估計（kernel approximation）
- 集成分類器（EnsembleClassifiers）
要解決聚類的問題，如用戶分群，可以選擇聚類的演算法模型。
scikit-learn上支持的聚類演算法：
- K均值（KMeans)
- 譜聚類（Spectral Clustering）
- GMM – 高斯混合模型
- MeanShift
- VBGMM
- MiniBatch KMeans
如果要依賴趨勢做數值預測，如業務量增長，可以選擇回歸演算法模型。
scikit-learn上支持的回歸演算法：
- 貝葉斯嶺回歸
- Logistic回歸
- 支持向量機回歸
- 決策樹回歸
- LASSO
- 隨機梯度下降回歸（SGD Regressor）
三、準備數據集
準備數據集包含了數據處理、特徵提取、訓練集、測試集的分割。
1. 數據預處理
通常來說，我們收集上來的數據來源比較多，可能會存在一些問題，例如數據缺失、數據格式不一致、數據集分佈不均勻、數據重複等問題，因此需要進行數據的預處理。
不同問題的處理方式：
- 數據缺失：如果數據缺失佔比不大，可以把有缺失的數據進行刪除，若本身數據量級就不是很多，可以進行人工填補，通常經過經驗填補或者均值填補。
- 數據格式不統一/量綱不統一：進行格式轉化，數據歸一化處理。
- 數據分佈不均勻：可以根據樣本分佈特點進行隨機重複採樣，以補充數據量少的分佈，但容易丟失重要特徵。
2. 特徵提取
在機器學習的訓練中，需要將業務維度相關的數據進行向量轉化，解決部分複雜問題時，如果維度較多在轉化過程中很容易造成大量的計算資源的消耗，一般會先進行特徵的提取，也就是常說的特徵工程，來進行維度的簡化。
常用的方法是主成分分析，原理是將兩個或幾個獨立的特徵組合到一起形成一個特徵；利用這種方式進行降維，使訓練的維度減少，提高訓練效率。
3. 訓練集、測試集的分割
在機器學習模型訓練之前，通常要進行數據的分割，常用的有1/4分割、1/10分割，具體需要根據自己的數據樣本量去拆分。
四、訓練模型 & 調整參數
準備好數據集，確定了要使用的演算法，下一步要進行具體的模型訓練；上一篇文章中我們提到機器學習模型訓練中經常遇到的兩個問題，過擬合和欠擬合。
1. 過擬合
特點：在訓練集上表現非常好，但是在測試數據或者驗證數據上表現很差，說明模型缺失泛化能力。
原因：訓練數據太少或者學習后的模型過於複雜。
解決方法：增加訓練樣本，或者減少數據維度，或者為模型添加一個正則項來擴大模型在訓練上的誤差。
2. 欠擬合
特點：在訓練集上表現不好，在測試數據上表現也不好。
原因：維度較少擬合的函數不足以表達數據規律。
解決方法：補充維度增加模型的複雜程度。
圖上是線性回歸模型表現出的三種狀態，中間圖為模型訓練好后該具備的樣子；紫色線為模型訓練好后擬合出的函數，綠色線為真實數據該擬合出的函數，點代表樣本數據。
3. 參數調整
針對調參的環節，一般會通過交叉驗證來確定最優參數。當然，一些對模型訓練做的比較多的演算法大牛，也會根據自己的經驗去指定參數進行演算法調優。
以KNN演算法為例：
最簡單的方式：K=1、2、3，然後分別進行實驗，對比結果，選擇最優參數。
交叉驗證：將一部分數據從訓練集上分割出來，從這小部分數據集中進行驗證；例如下圖，把訓練集劃分為5份，分別採用每一小份當作交叉實驗的測試集，對比每一次實驗的結果，去分別記錄預估的準確率，最後選擇準確率最高的參數作為模型最優參數。
這裡需要注意分組實驗只是為了確定最優參數，在參數確認后，還是需要將全部數據合併到一起進行模型訓練，得到目標函數，很多人在調參的環節容易忽視此步驟。
五、模型評估及驗收
最常見的方法是看模型的準確率，但模型整體準確率高，不代表模型表現就好；因為在某些任務場景下，更多關注的是某個類別或者某個分佈下的準確率，而非整體的準確率。
例如在圖像識別的場景下，首先會去關注模型對於圖像內容識別的召回率，所謂召回率就是在所有要檢測的圖片樣本中，被預測正確的個數，也叫做查全率；然後在去看模型的精準度，也就是所有預測出的結果中，預估正確的個數。
二者的區別在於，前者關注的是在所有真實樣本中被正確檢測的情況，後者關注的是預測結果中被正確檢測的情況，下表是分類問題的混淆矩陣。
舉例：數據樣本中有貓和狗的圖片，我們用圖像識別來檢測是貓的圖片。
- 真正例（TP）：圖片預測結果是貓，真實圖片結果是貓；
- 假正例（FP）：圖片預測結果是貓，真實圖片結果是狗；
- 真反例（TN）：圖片預測結果是狗，真實圖片結果是狗；
- 假返例（FN），圖片預測結果是狗，真實圖片結果是貓；
本次任務是「檢測出貓」的圖片，即使模型正確檢測出狗，也不滿足於我們當前的分析任務，因此基於任務而言，正確預測出是狗的情況為真返例。
真返利的數據在「檢測出貓」的任務中不會被算到準確率中，基於「檢測出貓」這個任務的召回率和準確率的計算為：
- 召回率TP/（TP+FP）
- 準確率TP/（TP+FN）
另外一種評估模型準確率的方法是觀察ROC、AUC和EER數據，並進行對比評估。
ROC曲線圖如下：
綠線為ROC曲線。
AUC代表了藍色面積，藍色面積越大，說明模型預估越準確。
EER為綠色線上的原點，值越小代表了模型的誤差越小。
#專欄作家#
大鵬，公眾號：一個數據人的自留地。人人都是產品經理專欄作家，《數據產品經理修鍊手冊》作者。
本文原創發佈於人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基於CC0協議。