【建模】建模步骤-模型的三要素

好了，经过上节的探索，我们已经有一点点知道机器学习在干什么，以及怎么干的啦。那么我们本节就来正式的归纳一下，建模的步骤，以及模型的要素。

一、机器学习-建模的三个步骤

好了，从上节的例子，我们已经知道，建模大概就三个步骤：数据处理、建模、效果评估，下面我们就来详细正式地说说它们。

1.1. 数据处理

数据处理其实是一个很笼统的说法，但它的目标很明确，就是把数据处理得规规整整、干干净净。反正数据处理就是在数据上进行的一系列工作，包括我们之前说的EDA、包括数据清洗等。例如拿到数据，那么我们就要EDA一下，看看数据长什么样，然后呢，如果发现数据有些缺失值，我们可能就要对缺失值进行填充，又或者我们发现有些数据明显是错误的，那么我们就要对这些数据纠正或删除等等。

反正最后呢，就是把数据处理的规规整整的，有多少个变量、每个变量有哪些数值等等，很多时候，数据处理都是靠主观能力性的去处理，当然网上也有一套说法，说可以如何如何处理数据等等，大家可以进行参考，但我觉得，这东西，自己觉得应该怎么处理，就怎么处理就好了，没必要那么死板，难道看到数据错误，还不会自己去改一下或删一下吗？数据处理从来不是为了处理而处理，而是实践中需要这样处理，就自然会去处理。

1.2. 模型建立

 建模一般是调用软件包中已有的模型，在我们确定了使用哪个模型之后，就把数据投进去训练就可以了，软件包会根据训练数据给出最终的模型，是个很简单的过程。如果要用多个模型进行综合使用，那也是多写几句代码，也不是一个很复杂的过程。当然，也可以自己整个模型，这种情况相对较少，这就要下点功夫了。

建模时呢，会有一些模型参数、或者训练超参数，就需要自己去根据模型特性、数据特性，去主观能力性的设置、尝试一下，当然，也会有一些方法来调参，这就是后话了，但更多时候，就是自己基于对模型、数据的理解，然后手动设一下，调一下。

1.3. 模型评估

模型评估用于评估建模的效果，可以使用一个指标，也可以用多个指标，至于用什么指标，就具体问题，具体确定，如果是私人问题，可能自己随便定一个，合理就可以，如果不是私人问题，就要找一个业内公认的指标了，这都是非常简单的事。

二、机器学习-模型的三个要素

好了，下面我们再来说说模型是怎么回事，通过上节的小例，我们可以看到，一个模型主要有三个重要部分：模型、损失函数和模型求解。

 2.1. 模型表达式  

模型表达式确定了要用什么样的结构去拟合数据点，

例如在小例中我们用的是直线：

模型确定了我们模型的基本性质和特点，例如，线性模型，它就是一条直线(或平面、超平面)，如果x和y是条抛物线，那我们用线性模型就拟合不出来了，正因为如此，我们才需要不同的模型，对不同的业务，选择不同的模型。

2.2. 损失函数

损失函数也叫代价函数，损失函数用于说明我们采用某组w,b时，所要耗费的代价、损失。

在小例中我们的损失就是预测精度(误差)的损失：

损失函数指定了我们的求解目标，损失函数不一定等于评估函数，对同一个模型，一千个问题可以有一千种评估函数，因为评估函数只用于评估，不涉及其它，而损失函数则不同，它既要引导我们获得合理的解，又要考虑求解的难度，由于损失函数与求解高度绑定，一般来说，往往无法做到100%与具体问题的真实合理需求吻合，所以只要对一般问题，它是合理有效的就可以了。

2.3. 模型求解

模型中预留一些待定参数（这里是w和b），损失函数给我们指明了我们想要的参数是什么，而模型求解，则是根据损失函数，解出最符合我们要求的参数。模型求解也称为模型训练，随着模型越来越复杂，我们的求解过程、求解方法也会越来越复杂，所以模型求解基本都是一个模型最复杂的内容。

学习一个模型，主要就抓住模型的三要素，往往模型公式一看、背景意义一理解、损失函数看一看，十分钟不到就到手了，但复杂的模型有更复杂的求解方法，学习模型最耗时间的是模型的求解。

总结

总的来说，建模就三步：数据处理、构建模型、评估模型。而平时就要多去学习不同的模型，一个模型主要有三部分：模型结构、损失函数、模型求解，把这三个东西弄明，基本一个模型就到手了。