用于模型构建的基础架构工具有哪些？

机器学习工作流程的每个主要阶段都具有许多垂直功能。其中一些功能是较大的端到端平台的一部分内容，还有一些功能则是某些平台的主要关注点。

本文将带你走进机器学习的第二阶段——模型构建。

什么是模型构建?

模型构建的第一步从了解业务需求开始。模型需要处理哪些业务需求?

这一步骤在机器学习工作流程的计划和构想阶段展开。在此阶段，与软件开发生命周期类似，数据科学家收集需求，考虑可行性，并为数据准备、模型构建和生产制定计划。他们还使用数据来探索各种模型构建实验，这些实验是在计划阶段所考虑的。

 

特征探索和选择

数据科学家探索各种数据输入选项以选择特征，是该实验过程的一部分。特征选择是为机器学习模型查找特征输入的过程。

对于新模型，理解可用的数据输入、输入的重要性以及不同特征之间的关系可能是一个漫长的过程。在这里，可以对更易解释的模型、更短的训练时间、特征获取的成本以及过度拟合的减轻做出许多决策。找出正确且合适的特征是一个连续不断的迭代过程。

• 在特征提取方面的机器学习基础架构公司有：Alteryx/ Feature实验室、Paxata(DataRobot)。

模型管理

数据科学家可以尝试多种建模方法。对于某些任务，一些类型的模型比其他模型更适用(例如，基于树的模型解释性更佳)。

作为构思阶段的一部分，该模型是监督、无监督、分类或回归等都是显而易见的。但建模方法、超参数以及特征的选择取决于实验。

一些自动机器学习(AutoML)平台会尝试附带各种参数的不同模型，这有助于建立基线方法。即使手动完成，探索各种选项也可以为模型构建者提供有关模型可解释性的见解。

实验跟踪

尽管各种类型的模型之间有许多优点和折衷点，但通常来说，此阶段涉及许多实验。许多平台可以跟踪这些实验、建模依赖和模型存储。这些功能可被大致归为模型管理。

（编辑：衡水站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!