本文是为机器学习初学者准备的，目的是了解制作一个真正好的机器学习模型所涉及的不同步骤，以及应该避免哪些错误。本文并不是任何特定的语言，它涵盖了训练模型所需的所有必要步骤。
加载数据将数据加载到DataFrame中（为了方便起见，我假设您的数据可以以表格形式存储）
将数据拆分为训练和验证数据需要注意的一点是，我们在完成任何拟合，输入或任何其他预处理步骤之前拆分数据。验证旨在衡量模型对之前未考虑过的数据的处理方式。如果预处理步骤中一起使用（训练 验证）数据，则会导致验证的漏洞。这意味着，验证数据也会影响我们的预处理步骤/拟合，这是我们从不想要的，应该避免。
因此，我们在开始时将数据分为训练和验证。有很多方法可以做到，但最常用的方法之一是：train_test_split（）
处理数据处理意味着填充数据中的缺失值。缺失值可能是由于许多原因 - 有人不同意提供年收入，有人没有透露家庭成员的数量，传输过程中的数据丢失等。大多数算法，不能用于缺失数据。所以我们的目标是估计数据本身的缺失值并填充它们。
请记住，我们应该仅处理训练数据（出于上一步中描述的原因）。根据数据类型有不同的输入方法，例如均值/中位数方法（对于数值数据），one-hot编码（对于分类数据）等。选择任何方法并确保您的最终数据不包含任何遗漏值。
特征选择特征选择是数据科学家工作流程中非常关键的组成部分。这意味着仅选择用于预测目标标签的相关特征，而不是考虑数据中存在的所有特征。在现实生活中，我们有100个，1000个甚至10,000个特征，所有特征对预测都不是同样重要。此外，当模型呈现具有非常高维度的数据时，通常会导致以下问题：
- 训练时间随着特征的数量呈指数增长。
- 随着特征数量的增加，模型的过度拟合风险也在增加。
- 数据冗余不会以任何方式使模型受益，反而增加了复杂性。因此，冗余数据删除是最大化特征相关性同时减少特征冗余的重要部分。
有不同的特征选择方法，这有助于减少维数，而不会损失太多的总信息。这可以提高模型的整体精度，帮助理解特征及其重要性。
- 删除低方差的特征
- 单变量特征选择
- 递归特征消除（RFE）
应用上述任何策略，并找到最有意义的特征子集。
训练你的模型现在是训练模型的主要部分。训练模型意味着找到最合适的权重/参数，以便最大限度地分类（在分类问题中）或预测与实际值之间的误差最小（在回归问题中）。
选择您感兴趣的任何类型的模型 - 线性回归，决策树，随机森林，XGBoost或任何其他机器学习模型，并仅使用具有所选特征的新修改的训练数据训练您的模型。
在验证数据上测试您的模型在验证数据上重复您的步骤：
- 使用计算和用于训练数据的相同参数来验证验证数据。
- 在估算的验证数据上，选择在训练数据的特征选择期间的相同特征。
- 继续使用验证数据预测模型的准确性。判断模型质量的方法有很多种 - mean_absolute_error，cross_validation_error等等。目的是最小化验证数据的输出误差。
这是最棘手的部分，这里给出一个概述。一旦您尝试了不同的模型，不同的特征和不同的精度参数，并满足自己的机器学习模型质量，您的学习模型就可以用于实际数据了。请记住，您永远无法达到100％的准确率。
