扫码加入数据分析学习群

开发机器学习应用程序通常遵循以下的步骤。

(1) 收集数据。我们可以使用很多方法收集样本数据，如：制作网络爬虫从网站上抽取数据、

从RSS反馈或者API中得到信息、设备发送过来的实测数据（风速、血糖等）。提取数据的方法非

常多，为了节省时间与精力，可以使用公开可用的数据源。

(2) 准备输入数据。得到数据之后，还必须确保数据格式符合要求，本书采用的格式是Python

语言的List。使用这种标准数据格式可以融合算法和数据源，方便匹配操作。本书使用Python语

言构造算法应用，不熟悉的读者可以学习附录A。

此外还需要为机器学习算法准备特定的数据格式，如某些算法要求特征值使用特定的格式，

一些算法要求目标变量和特征值是字符串类型，而另一些算法则可能要求是整数类型。后续章节

我们还要讨论这个问题，但是与收集数据的格式相比，处理特殊算法要求的格式相对简单得多。

(3) 分析输入数据。此步骤主要是人工分析以前得到的数据。为了确保前两步有效，最简单

的方法是用文本编辑器打开数据文件，查看得到的数据是否为空值。此外，还可以进一步浏览数

据，分析是否可以识别出模式；数据中是否存在明显的异常值，如某些数据点与数据集中的其他

值存在明显的差异。通过一维、二维或三维图形展示数据也是不错的方法，然而大多数时候我们

得到数据的特征值都不会低于三个，无法一次图形化展示所有特征。本书的后续章节将会介绍提

炼数据的方法，使得多维数据可以压缩到二维或三维，方便我们图形化展示数据。

这一步的主要作用是确保数据集中没有垃圾数据。如果是在产品化系统中使用机器学习算法

并且算法可以处理系统产生的数据格式，或者我们信任数据来源，可以直接跳过第3步。此步骤

需要人工干预，如果在自动化系统中还需要人工干预，显然就降低了系统的价值。

(4) 训练算法。机器学习算法从这一步才真正开始学习。根据算法的不同，第4步和第5步是

机器学习算法的核心。我们将前两步得到的格式化数据输入到算法，从中抽取知识或信息。这里

得到的知识需要存储为计算机可以处理的格式，方便后续步骤使用。

如果使用无监督学习算法，由于不存在目标变量值，故而也不需要训练算法，所有与算法相

关的内容都集中在第5步。

(5) 测试算法。这一步将实际使用第4步机器学习得到的知识信息。为了评估算法，必须测试算

法工作的效果。对于监督学习，必须已知用于评估算法的目标变量值；对于无监督学习，也必须用

其他的评测手段来检验算法的成功率。无论哪种情形，如果不满意算法的输出结果，则可以回到第

4步，改正并加以测试。问题常常会跟数据的收集和准备有关，这时你就必须跳回第1步重新开始。

(6) 使用算法。将机器学习算法转换为应用程序，执行实际任务，以检验上述步骤是否可以

在实际环境中正常工作。此时如果碰到新的数据问题，同样需要重复执行上述的步骤。

下节我们将讨论实现机器学习算法的编程语言Python。之所以选择Python，是因为它具有其

他编程语言不具备的优势，如易于理解、丰富的函数库（尤其是矩阵操作）、活跃的开发者社区等。