项目清单:

1. 商业目标

2. 划定问题 　　　　 　　　　　　　　 监督或非监督，还是强化学习。

3. 选择什么算法 　　　　　　 　　　　 回归还是分类， 数据量小可使用单机内存的 批量计算， 数据量大使用分布式的MapReduce 线上计算。

4. 评估模型性能的指标

 

对于回归问题：

 

 当异常值较多时， 应更多采用L1 范数的指标：

 

岭回归：

 

岭回归（也称为 Tikhonov 正则化  属于L2范数）是线性回归的正则化版：在损失函数上直接加上一个正则项 。

当a=0时，为线性回归， 当a无限大时，模型的所有参数为0 。

注意当增大的时候，导致预测曲线变得扁平（即少了极端值，多了一般值），这样减少了模型的方差，却增加了模型的偏差。

 

Lasso 回归：

在损失函数上加 L1 范数。

 

弹性网络（ElasticNet）：

弹性网络介于 Ridge 回归和 Lasso 回归之间。

 

早期停止法（Early Stopping）：

一旦验证错误达到最小值，便提早停止训练。

 

逻辑回归：

 

 

支持向量机

 

 

 

5. 要花多少精力进行微调