如何做出一个更好的Machine Learning预测模型【转载】

作者：文兄
链接：https://zhuanlan.zhihu.com/p/25013834
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

初衷

这篇文章主要从工程角度来总结在实际运用机器学习进行预测时，我们可以用哪些tips来提高最终的预测效果，主要分为Data Cleaning，Features Engineering， Models Training三个部分，可以帮助大家在实际的工作中取得更好的预测效果或是在kaggle的比赛里取得更好的成绩和排位。

Data Cleaning

1. 移除多余的duplicate features（相同或极为相似的features）

2. 移除constant features（只有一个value的feature）

#R里面可以使用unique()函数判断，如果返回值为1，则意味着为constant features

3. 移除方差过小的features（方差过小意味着提供信息很有限）

#R中可以使用caret包里的nearZeroVar()函数
#Python里可以使用sklearn包里的VarianceThreshold()函数

4. 缺失值处理：将missing value重新编为一类。

#比如原本-1代表negative，1代表positive，那么missing value就可以全部标记为0
#对于多分类的features做法也类似二分类的做法
#对于numeric values,可以用很大或很小的值代表missing value比如-99999.

5. 填补缺失值

可以用mean，median或者most frequent value进行填补

#R用Hmisc包中的impute()函数
#Python用sklearn中的Imputer()函数

6. 高级的缺失值填补方法

利用其他column的features来填补这个column的缺失值（比如做回归）

#R里面可以用mice包，有很多方法可供选择

注意：不是任何时候填补缺失值都会对最后的模型预测效果带来正的效果，必须进行一定的检验。

Features Engineering

1. Data Transformation

a. Scaling and Standardization

#标准化，R用scale(), Python用StandardScaler()
#注意：Tree based模型无需做标准化

b. Responses Transformation

#当responses展现skewed distribution时候用，使得residual接近normal distribution
#可以用log(x),log(x+1),sqrt(x)等

2. Features Encoding

#把categorical features变成numeric feature
#Label encoding：Python 用 LabelEncoder()和OneHotEncoder(), R用dummyVars()

3. Features Extraction

#主要是针对文本分析

4. Features Selection

a. 方法很多：

注：其中randomForest以及xgboost里的方法可以判断features的Importance

b. 此外，PCA等方法可以生成指定数量的新features（映射）

c. 擅对features进行visualization或correlation的分析。

Models Trainning

1. Mostly Used ML Models

尝试多一些的模型，比如下面这些：

2. 利用Grid Search进行hyper参数的选择

3. 利用Cross-Validation衡量训练效果

4. Ensemble Learning Methods

必读下面这个文档：Kaggle Ensembling Guide

文章原地址：https://zhuanlan.zhihu.com/p/25013834