# 如何定義機器學習問題 > 原文： [https://machinelearningmastery.com/how-to-define-your-machine-learning-problem/](https://machinelearningmastery.com/how-to-define-your-machine-learning-problem/) 任何項目的第一步都是定義您的問題。您可以使用最強大，最閃亮的算法，但如果您正在解決錯誤的問題，結果將毫無意義。 在這篇文章中，您將學習在開始之前深入思考問題的過程。這無疑是應用機器學習的最重要方面。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2013/12/question.jpg) 問題是什么？ 照片歸屬于 [Eleaf](http://www.flickr.com/photos/eleaf/2536358399/sizes/l/) ，保留一些權利 ## 問題定義框架 我在定義一個新問題時使用一個簡單的框架來解決機器學習問題。該框架幫助我快速了解問題的要素和動機，以及機器學習是否合適。 該框架涉及回答三個問題，以達到不同程度的徹底性： * **第1步**：有什么問題？ * **第2步**：為什么需要解決問題？ * **第3步**：我該如何解決這個問題？ ## 第1步：問題是什么 第一步是定義問題。我使用了許多策略來收集這些信息。 ### 非正式的描述 描述問題，就像您向朋友或同事描述一樣。這可以為突出顯示您可能需要填充的區域提供一個很好的起點。它還提供了一個句子描述的基礎，您可以使用它來分享您對問題的理解。 例如：_我需要一個程序來告訴我哪些推文會轉發。_ ### 形式主義 在之前的博客文章[定義機器學習](http://machinelearningmastery.com/what-is-machine-learning/ "What is Machine Learning: A Tour of Authoritative Definitions and a Handy One-Liner You Can Use")中，您了解了Tom Mitchell的機器學習形式。這里再次刷新你的記憶。 > 據說一個計算機程序可以從經驗 _E_ 中學習某類任務 _T_ 和表現測量 _P_ ，如果它在_的任務中的表現通過 _P_ 測量的T_ 隨經驗 _E_ 而改善。 使用這種形式來定義 _T_ ， _P_ 和 _E_ 來解決您的問題。 例如： * **任務**（ _T_ ）：將尚未發布的推文分類為轉發或不轉發。 * **經驗**（ _E_ ）：一個帳戶的推文語料庫，其中一些有轉推，有些則不轉。 * **表現**（ _P_ ）：分類準確性，所有推文中正確預測的推文數量被視為百分比。 ### 假設 創建一個關于問題及其措辭的假設列表。這些可能是經驗法則和特定于域的信息，您認為這些信息可以讓您更快地獲得可行的解決方案。 突出可以針對實際數據進行測試的問題可能很有用，因為當假設和最佳實踐在實際數據面前被證明是錯誤的時候會出現突破和創新。突出可能需要挑戰，放松或收緊的問題規范區域也是有用的。 For example: * 推文中使用的特定詞語與模型有關。 * 轉發的特定用戶與模型無關。 * 轉推的數量可能對模型有影響。 * 較早的推文比最近的推文更不具有預測性。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2013/12/question-everything.jpg) 質疑一切！ 照片歸于 [dullhunk](http://www.flickr.com/photos/dullhunk/202872717/sizes/l/) ，保留一些權利 ### 類似的問題 您看到了哪些其他問題或者您能想到的問題就像您要解決的問題一樣？其他問題可以通過強調問題措辭的局限性來解決您試圖解決的問題，例如時間維度和概念漂移（建模的概念隨著時間的推移而變化）。其他問題也可以指向可用于檢查表現的算法和數據轉換。 例如：一個相關問題是電子郵件垃圾郵件歧視，它使用文本消息作為輸入數據，需要二元分類決策。 ## 第2步：為什么需要解決問題？ 第二步是深入思考為什么你想要或者需要解決問題。 ### 動機 考慮一下解決問題的動機。問題解決后需要滿足什么？ 例如，您可能正在將問題解決為學習練習。這有助于澄清，因為您可以決定不想使用最合適的方法來解決問題，而是想要探索您不熟悉的方法以學習新技能。 或者，您可能需要將問題作為工作職責的一部分來解決，最終是為了保住您的工作。 ### 解決方案優勢 考慮解決問題的好處。它能夠實現哪些功能？ 重要的是要清楚解決問題的好處，以確保您充分利用它們。這些好處可用于將項目出售給同事和管理層以獲得購買和額外的時間或預算資源。 如果它對您個人有益，那么請明確這些好處是什么以及您何時獲得這些好處。例如，如果它是一個工具或實用程序，那么你可以用你現在不能做的那個實用程序做什么，為什么這對你有意義？ ### 解決方案使用 考慮如何使用問題的解決方案以及您期望解決方案具有的生命周期類型。作為程序員，我們經常認為工作是在程序編寫完成后立即完成的，但實際上項目只是開始維護生命周期。 解決方案的使用方式將影響您采用的解決方案的性質和要求。 考慮您是否要編寫報告以顯示結果，或者您希望操作解決方案。如果要實施解決方案，請考慮解決方案的功能和非功能需求，就像軟件項目一樣。 ## 第3步：我如何解決問題？ 在問題定義的第三步也是最后一步，探索如何手動解決問題。 逐步列出您將收集哪些數據，如何準備它以及如何設計程序來解決問題。這可能包括您需要執行的原型和實驗，這些都是金礦，因為它們將突出您對可以探索的領域的問題和不確定性。 這是一個強大的工具。它可以突出顯示使用手動實施的解決方案可以令人滿意地解決的問題。它還刷新了迄今為止存在的重要領域知識，例如數據實際存儲的位置，哪些類型的功能有用以及許多其他細節。 收集所有這些細節，并更新問題定義的前幾部分。特別是假設和經驗法則。 在描述[為什么機器學習很重要](http://machinelearningmastery.com/machine-learning-matters/ "Machine Learning Matters")中的復雜問題之前，我們已經考慮過手動指定的解決方案。 ## 摘要 在這篇文章中，您了解了明確解決問題的價值。您發現了一個三步框架，用于在步驟中使用實用策略定義您的問題： * **第1步：有什么問題？** 非正式地和正式地描述問題并列出假設和類似問題。 * **第2步：為什么需要解決問題？** 列出解決問題的動機，解決方案提供的好處以及解決方案的使用方法。 * **第3步：我該如何解決這個問題？** 描述如何手動解決問題以刷新領域知識。 你如何定義機器學習的問題？您是否使用過上述任何一種策略？如果是，您的經歷是什么？發表評論。