上周一個叫 Abhishek Thakur 的數據科學家，在他的 Linkedin 發表了一篇文章 Approaching (Almost) Any Machine Learning Problem，介紹他建立的一個自動的機器學習框架，幾乎可以解決任何機器學習問題，項目很快也會發布出來。這篇文章迅速火遍 Kaggle，他參加過100多個數據科學相關的競賽，積累了很多寶貴的經驗，看他很幽默地說“寫這樣的框架需要很多豐富的經驗，不是每個人都有這樣的經歷，而很多人有寶貴的經驗，但是他們不愿意分享，我呢恰好是又有一些經驗，又愿意分享的人”。當然這篇文章也是受到爭議的，很多人覺得并不全面。
我最近也在準備參加 Kaggle，之前看過幾個例子，自己也總結了一個分析的流程，今天看了這篇文章，里面提到了一些高效的方法，最干貨的是，他做了一個表格，列出了各個算法通常需要訓練的參數。
這個問題很重要，因為大部分時間都是通過調節參數，訓練模型來提高精度。作為一個初學者，第一階段，最想知道的問題，就是如何調節參數。因為分析的套路很簡單，就那么幾步，常用的算法也就那么幾個，以為把算法調用一下就可以了么，那是肯定不行的。實際過程中，調用完算法后，結果一般都不怎么好，這個時候還需要進一步分析，哪些參數可以調優，哪些數據需要進一步處理，還有什么更合適的算法等等問題。
接下來一起來看一下他的框架。
據說數據科學家 60-70％ 的時間都花在數據清洗和應用模型算法上面，這個框架主要針對算法的應用部分。
什么是 Kaggle？
Kaggle是一個數據科學競賽的平臺，很多公司會發布一些接近真實業務的問題，吸引愛好數據科學的人來一起解決，可以通過這些數據積累經驗，提高機器學習的水平。
應用算法解決 Kaggle 問題，一般有以下幾個步驟：
- 第一步：識別問題
- 第二步：分離數據
- 第三步：構造提取特征
- 第四步：組合數據
- 第五步：分解
- 第六步：選擇特征
- 第七步：選擇算法進行訓練
當然，工欲善其事，必先利其器，要先把工具和包都安好。
最方便的就是安裝 Anaconda，這里面包含大部分數據科學所需要的包，直接引入就可以了，常用的包有：
- pandas：常用來將數據轉化成 dataframe 形式進行操作
- scikit-learn：里面有要用到的機器學習算法模型
- matplotlib：用來畫圖
- 以及 xgboost，keras，tqdm 等。
第一步：識別問題
在這一步先明確這個問題是分類還是回歸。通過問題和數據就可以判斷出來，數據由 X 和 label 列構成，label 可以一列也可以多列，可以是二進制也可以是實數，當它為二進制時，問題屬于分類，當它為實數時，問題屬于回歸。
第二步：分離數據
為什么需要將數據分成兩部分？
用 Training Data 來訓練模型，用 Validation Data 來檢驗這個模型的表現，不然的話，通過各種調節參數，模型可以在訓練數據集上面表現的非常出色，但是這可能會是過擬合，過擬合就是太依賴現有的數據了，擬合的效果特別好，但是只適用于訓練集，以致于來一個新的數據，就不知道該預測成什么了。所以需要有 Validation 來驗證一下，看這個模型是在那里自娛自樂呢，還是真的表現出色。
在 scikit learn 包里就有工具可以幫你做到這些：
分類問題用 StrtifiedKFold
from sklearn.cross_validation import StratifiedKFold
回歸問題用 KFold
from sklearn.cross_validation import KFold
第三步：構造特征
這個時候，需要將數據轉化成模型需要的形式。數據有三種類型：數字，類別，文字。當數據是類別的形式時，需要將它的每一類提取出來作為單獨一列，然后用二進制表示每條記錄相應的值。例如：
record 1: 性別 女
record 2：性別 女
record 3：性別 男
轉化之后就是：
女 男
record 1: 1 0
record 2：1 0
record 3：0 1
這個過程 sklearn 也可以幫你做到：
from sklearn.preprocessing import LabelEncoder
或者
from sklearn.preprocessing import OneHotEncoder
第四步：組合數據
處理完 Feature 之后，就將它們組合到一起。
如果數據是稠密的，就可以用 numpy 的 hstack:
import numpy as np
X = np.hstack((x1, x2, ...))
如果是稀疏的，就用 sparse 的 hstack：
from scipy import sparse
X = sparse.hstack((x1, x2, ...))
組合之后，就可以應用以下算法模型：
- RandomForestClassifier
- RandomForestRegressor
- ExtraTreesClassifier
- ExtraTreesRegressor
- XGBClassifier
- XGBRegressor
但是不能應用線性模型，線性模型之前需要對數據進行正則化而不是上述預處理。
第五步：分解
這一步是為了進一步優化模型，可以用以下方法：
PCA：Principal components analysis，主成分分析，是一種分析、簡化數據集的技術。用于減少數據集的維數，同時保持數據集中的對方差貢獻最大的特征。
from sklearn.decomposition import PCA
對于文字數據，在轉化成稀疏矩陣之后，可以用 SVD
from sklearn.decomposition import TruncatedSVD
SVD：Singular Value Decomposition，奇異值分解，是線性代數中一種重要的矩陣分解，它總能找到標準化正交基后方差最大的維度，因此用它進行降維去噪。
第六步：選擇特征
當特征個數越多時，分析特征、訓練模型所需的時間就越長，容易引起“維度災難”，模型也會越復雜，推廣能力也會下降，所以需要剔除不相關或亢余的特征。
常用的算法有完全搜索，啟發式搜索，和隨機算法。
例如，Random Forest：
from sklearn.ensemble import RandomForestClassifier
或者 xgboost：
import xgboost as xgb
對于稀疏的數據，一個比較有名的方法是 chi-2：
from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2
第七步：選擇算法進行訓練
選擇完最相關的參數之后，接下來就可以應用算法，常用的算法有：
Classification:
Random Forest
GBM
Logistic Regression
Naive Bayes
Support Vector Machines
k-Nearest Neighbors
Regression
Random Forest
GBM
Linear Regression
Ridge
Lasso
SVR
在scikit－learn里可以看到分類和回歸的可用的算法一覽，包括它們的原理和例子代碼。
在應用各算法之前先要明確這個方法到底是否合適。
為什么那么多算法里，只提出這幾個算法呢，這就需要對比不同算法的性能了。
這篇神文 Do we Need Hundreds of Classifiers to Solve Real World Classification Problems 測試了179種分類模型在UCI所有的121個數據上的性能，發現Random Forests 和 SVM 性能最好。
我們可以學習一下里面的調研思路，看看是怎么樣得到比較結果的，在我們的實踐中也有一定的指導作用。
但是直接應用算法后，一般精度都不是很理想，這個時候需要調節參數，最干貨的問題來了，什么模型需要調節什么參數呢？
雖然在sklearn的文檔里，會列出所有算法所帶有的參數，但是里面并不會說調節哪個會有效。在一些mooc課程里，有一些項目的代碼，里面可以看到一些算法應用時，他們重點調節的參數，但是有的也不會說清楚為什么不調節別的。這里作者根據他100多次比賽的經驗，列出了這個表，我覺得可以借鑒一下，當然，如果有時間的話，去對照文檔里的參數列表，再查一下算法的原理，通過理論也是可以判斷出來哪個參數影響比較大的。
調參之后，也并不就是大功告成，這個時候還是需要去思考，是什么原因造成精度低的，是哪些數據的深意還沒有被挖掘到，這個時候需要用統計和可視化去再一次探索數據，之后就再走一遍上面的過程。
我覺得這里還提到了很有用的一條經驗是，把所有的 transformer 都保存起來，方便在 validation 數據集上面應用：
文章里介紹了分析問題的思路，還提到了幾條很實用的經驗，不過經驗終究是別人的經驗，只能借鑒，要想提高自己的水平，還是要看到作者背后的事情，就是參加了100多次實戰，接下來就去行動吧，享受用算法和代碼與數據玩耍的興奮吧。
