机器学习解决问题的框架
1）预测问题：
1.1分类：离散型变量
1.2回归：连续性变量
2）聚类问题：
3）确定目标：
业务需求-数据-特征工程（数据预处理，70%，最重要）

一、机器学习解决问题的框架

1. 聚类问题

2. 预测问题

二、各个算法共同的思想

1. 机器学习 —— 确定目标

1. 业务需求

2. 数据

3. 特征工程（数据预处理）
   

   
   

特征工程：数据清洗，数据准备。占平时工作的70%！！！

第六章 解决问题

6-1机器学习解决问题（1）

预测问题：1.所属分类  2.数值   两种的本质区别是预测的Y是连续型还是离散型的数值变量

聚类问题

机器学习解决问题的框架

1. 确定目标

2. 业务需求

3. 数据

4. 特征工程（很重要）
   

先有一个业务需求，然后是数据收集，最后是特征工程，特征工程工作量大概占70%（数据转换和数据清洗），相对于算法提升更容易提高最后成果的质量

机器学习解决问题的框架：确定目标、业务需求、数据、特征工程

机器学习借鉴问题的框架

特征工程：数据清洗 数据转换。占70%的工作量，比较容易出成果的部分。

机器学习解决问题的框架

机器学习解决问题框架：

机器学习解决问题的框架

特征工程70%时间，把图片、文字转换为若干长度的向量

机器学习解决问题

解決問題框架

业务需求——>数据——>特征工程

机器学习解决问题的框架：
一、目标的确立

STEP1：确定目标（业务需求）

STEP2：收集（历史）数据，决定项目质量高度

STEP3：特征工程（清理整合数据，提取特征）结构化，时间占比70%

机器学习中解决问题的框架

机器学习解决问题的框架

机器学习解决问题的框架

一、确定目标

• 业务需求

• 数据

• 特征工程（数据预处理，提取特征，很重要，影响最终产出）

机器学习解决问题的框架【通用】特征工程

机器学习解决问题框架

1. 业务需求
   

2. 数据

3. 特征工程
   

机器学习解决问题的框架1：

确定目标

业务需求

数据

特征工程（数据预处理，如数据清洗）

机器学习解决问题的框架1：

确定目标

（1）确定业务需求

（2）完成数据收集

（3）完成特征工程（数据预处理，如数据清洗，占用70%的时间，最重要）

机器学习解决问题的框架