在数据的世界中，机器学习已经成为不可或缺的工具，但它的模型开发应用过程却非常复杂。机器学习中的特征工程是数据分析中最耗费时间精力的一部分工作，大多情况下要依靠算法工程师的个人经验来处理。这样的特征工程具有很强的不确定性，如漏选特征、选到了无效特征、忽略高级特征等。
建模流程中每一步和每一个关键点做出的决策对于模型在实际应用中的表现都至关重要，所以找到**模型通常是一个不断试错的过程。
传统机器学习
（1）传统机器学习是一个烦琐且耗时的过程
传统的机器学习在解决问题时，首先需要对问题进行定义，然后针对特定问题收集数据，由专家对数据特征进行标定、提取特征、选择特征，然后根据所选特征训练模型、对模型进行评估，最后部署到应用上，以解决最初提出的问题。其中数据收集、特征提取、特征选择、模型训练和模型评估的过程，是一个迭代的过程，需要反复进行、不断优化才能得到较优的模型。这个过程非常耗时费力。
（2）传统机器学习有一定难度，准入门槛高
模型训练的难度使得很多初学者望而却步，即使是数据专家也经常抱怨训练过程是多么令人沮丧和变化无常。没有经过一定时间的学习，用户很难掌握模型选择、参数调整等步骤。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/23096.html