机器学习解决方案

1.分析您的业务需求和产品需求

当您认识到实现ML的必要性时，我们将研究您的任务，假设解决方案，并计划工作范围和开发过程。

2.准备和处理数据

在这个漫长但关键的步骤中，我们分析数据，将其可视化以更好地理解，可能选择最有用数据的子集，然后对其进行预处理和转换以创建合法的数据集。之后，我们将数据集划分为三组数据:训练、(交叉)验证和测试集。第一个——训练模型并定义它的参数。第二，调整模型的设置和参数以达到最佳效果。第三个测试是评估一个真实模型在训练后解决任务时的表现。

3.工程特性

在对数据进行清理和减除之后，我们开始在一个基本的数据准备过程中添加数据——特征工程。特性工程是精确模型的关键元素，它是利用领域知识在原始数据集中手动创建新的特性。这需要对特定行业和模型将帮助解决的问题有深刻的理解。

4.模型开发

在这里，我们将训练几个模型来决定哪一个给出最准确的结果。我们实验了许多不同类型的模型，特征选择，正则化和超参数调整，直到我们得到一个训练良好的模型-既不欠适合也不过适合。对于每个实验，我们使用针对这类问题和数据集的适当度量来评估模型的准确性。

5.部署一个模型

将模型投入生产的过程取决于你的业务基础设施、数据量、之前所有阶段的准确性，以及你是否将机器学习作为一种服务产品。

6.检查并更新模型

即使在模型完成后，项目也会继续。我们将帮助您跟踪度量并应用测试来定义您的模型的性能，并在需要时改进它。