最近在阅读François Chollet写的Deep Learning with Python. 书中有很多经验性的技巧和归纳，其中4.5写的Machine Learning的工作流程归纳的很好，看完深有启发，摘录于此。
机器学习的标准流程可以分为六个步骤：
- 定义问题
- 确定衡量模型的标准
- 确定评估方式
- 建立一个比理论平均更好的简单模型
- 扩展模型，使其过拟合
- 优化模型
一般的机器学习方面的研究主要关注第6步，但最好按照标准流程来做。
定义问题
首先思考，可用的数据有哪些，希望从这些数据中得到什么信息，希望用这些信息预测什么。需要注意预测的内容必须要从training data中能得到信息的，比如要为影评做情绪分类，必须要有影评和它对应的情绪标签作training data才行。
考虑问题的类型：二元分类？多元分类？标量回归？向量回归？多元多标签分类？聚类？……总之明确问题的类型，有助于后面选择模型。
明确输入和输出。时刻记住在使用机器学习的时候，存在两个假设：
- 输出可以通过输入预测得到。
- 已有的数据足够多以提取出输入和输出的关系。
比如如果做一个模型预测股票价格的走势，在仅有历史价格数据的时候是不够的，因为历史价格不包含未来价格的信息。机器学习只能利用training data中存在的模式(pattern)。
另外如果这个问题是不平稳的(Nonstationary)，机器学习也不适用。比如做推荐服装的模型，不同季节对不同服装的喜好程度是不同的，如果用八月的数据训练预测九月的情况，模型效果肯定很差。这时则要采取变通，比如使用多年的数据训练，添加月份标签等。
确定衡量模型的标准
考虑清楚问题并估计可以建模之后，需要确定一个衡量标准，来判断模型是否成功。比如预测值的准确度，客户留存度，正确分类的比例等等。需要注意的是很多时候标准是根据问题自定的，这就需要建模者有经验。可以在Kaggle之类的竞赛网站上拓展视野。
确定评估方式
确定一个评估方式来衡量进度也是很重要的。一般来说有三种方法：
- 使用一个hold-out validation set，即将数据集分出一部分专门用来验证模型效果。在有大量数据时可以使用这个方法。
- K-fold Cross Validation， 将原始数据分成K组(K-Fold)，将每个子集数据分别做一次验证集，其余的K-1组子集数据作为训练集，这样会得到K个模型。这K个模型分别在验证集中评估结果，最后的误差取平均就得到交叉验证误差。在数据量不足以做第一种方法时可以选择。但这种方法计算需求很大。
- 循环K-fold validation，每次都进行数据随机排列，然后进行完整的k-fold。适用于数据量很小且对精度要求高的情况。
一般选第一个即可。
建立一个比理论平均更好的简单模型
这一步的目的是较快的找到比理论平均好的简单模型，通常可以进行简单的尝试，比如在MNIST数字分类时用最简单的feed feedforward 模型尝试，得到精确度高于0.1（完全随机分类的平均精度），这样就可以在这个基础上进行下一步的优化了。需要注意的是不是所有时候都能够找得到这样的简单模型的。如果在多次尝试后仍找不到，需要考虑是否是前面的两个假设不成立，即根本不存在输出和输入之间的明确关系，或者这种关系在已有的数据集中不明确。
如果顺利找到这种简单模型，下一步需要考虑三个问题：
- 最后一层的激活函数。将模型网络中的倒数第二层输出组合形成最终输出，比如在二元分类时可以使用relu激活，得到一个0-1之间的数字作为选择一类的概率。
- loss function，即一个可微的函数，用来衡量模型的精度。可微性是必要的因为使用梯度下降法优化时需要求微分。
- 优化方法，比如Adam，RmsProp等。通常可以先尝试用这两种的默认学习率（learning rate）优化。
| Problem type | Last-layer activation | Loss function |
|---|---|---|
| Binary classification | sigmoid |
binary_crossentropy |
| Multiclass, single-label classification | softmax |
categorical_crossentropy |
| Multiclass, multilabel classification | sigmoid |
binary_crossentropy |
| Regression to arbitrary values | None | mse |
| Regression to values between 0 and 1 | sigmoid |
mse or binary_crossentropy |
扩展模型
这一步将模型扩展，使其过拟合，因为上一步得到的简单模型可能没有足够的层数，没有足够多的神经元等等。机器学习问题其实就是平衡拟合能力和泛化能力的问题，我们的目标是找到二者平衡的一个点。既不能让它欠拟合，也不能让它过拟合。一般的做法是先让模型过拟合，然后再进行细节优化。扩展模型有三个方法：
- 增加层数。
- 增加单层神经元个数。
- 训练更多的epochs。
如果你发现验证的精度开始下降了，这时候就说明模型已经过拟合，这一步也可以结束了。
优化模型
最复杂也最耗时的一步，大部分研究的重点。大致逻辑是对模型做小修小改，把数据放进去跑，看模型验证精度的变化，直到优化到不能再优化为止。一般可以尝试的方向有：
- 加入Dropout。
- 改变结构，比如增加或删除一层。
- L1/L2正则化（Regularization）。
- 更改不同的超参数（hyperparameter），比如学习率、每层神经元个数等等。
- 增加或删除feature。
注意如果多次依据验证精度调整模型，会把验证集的信息泄露给模型（相当于验证集也参与了模型的构建和优化）。少量的次数还可以接受，太多次后会让优化后的模型没有说服力。
当你获得一个满意的优化后的模型，可以使用所有的数据（training 和 validation set）来最后训练一次，再使用test data做最后的测试。如果最后测试结果显著不如validation的结果，则需要考虑是否overfitting，或者时评估方式（第三步）选择不对，可以尝试换一个试试。