# 如何使用機器學習結果 > 原文： [https://machinelearningmastery.com/how-to-use-machine-learning-results/](https://machinelearningmastery.com/how-to-use-machine-learning-results/) 一旦[發現](http://machinelearningmastery.com/how-to-evaluate-machine-learning-algorithms/ "How to Evaluate Machine Learning Algorithms")和[調整](http://machinelearningmastery.com/how-to-improve-machine-learning-results/ "How to Improve Machine Learning Results")一個可行的問題模型，就可以利用該模型了。你可能需要重新審視你的[為什么](http://machinelearningmastery.com/how-to-define-your-machine-learning-problem/ "How to Define Your Machine Learning Problem")，并提醒自己，你需要一個解決你正在解決的問題的形式。 在對結果執行某些操作之前，不會解決此問題。在這篇文章中，您將學習在將原型模型轉換為生產系統時回答問題和考慮因素的結果。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/01/presentation-of-results.jpg) 結果展示 照片歸屬于 [Phil Sexton](http://www.flickr.com/photos/john_hall_associates/3175199088/sizes/l/) ，保留一些權利 根據您要解決的問題類型，結果的呈現方式會有很大差異。利用機器學習成果的結果有兩個主要方面： * 報告結果 * 操作系統 ## 報告結果 一旦你發現了一個好的模型和一個足夠好的結果（或者不是，視情況而定），你將需要總結所學的內容并將其呈現給利益相關者。這可能是您自己，客戶或您工作的公司。 使用powerpoint模板并解決下面列出的部分。您可能希望編寫一個分頁器并將部分部分用作部分標題。即使在您為自己做的小型實驗項目（例如教程和比賽）上也要嘗試遵循此過程。很容易在項目上花費過多的時間，并且您希望確保捕獲您沿途學到的所有偉大的事物。 以下是報告項目結果時可以完成的部分。 * **上下文**（為什么）：定義問題所在的環境，并為研究問題設置動機。 * **問題**（問題）：簡要描述問題是你出去解答的問題。 * **解決方案**（答案）：簡要描述解決方案，作為您在上一節中提出的問題的答案。請明確點。 * **調查結果**：您在觀眾感興趣的路上發現的項目符號列表。它們可能是數據中的發現，已完成或未起作用的方法，或者您在旅程中獲得的模型表現優勢。 * **限制**：考慮模型不起作用的地方或模型未回答的問題。不要回避這些問題，如果你可以定義它不擅長的地方，那么定義模型擅長的地方會更加可信。 * **結論**（為什么+問題+答案）：重新審視為什么，研究問題和你在一個簡單的小包裝中發現的答案，這些包裝易于記憶并為自己和他人重復。 您要呈現的受眾類型將定義您要詳細說明的詳細信息量。通過結果報告來完成項目的紀律，即使是小型項目，也會加速您在現場的學習。在這些小型項目中，我強烈建議在博客或社區上分享輔助項目的結果，并獲得您可以捕獲的反饋，并將其帶入您下一個項目的開始。 ## 操作化 您已經找到了一個足以解決您希望將其投入生產的問題的模型。對于有趣的項目，這可能是您工作站上的操作安裝，一直到將模型集成到現有企業應用程序中。范圍很廣。在本節中，您將學習操作模型的三個關鍵方面，您可以在將系統投入生產之前仔細考慮。 您應該仔細考慮的三個方面是算法實現，模型的自動測試以及隨時間跟蹤模型的表現。這三個問題很可能會影響您選擇的模型類型。 ### 算法實現 您可能正在使用研究庫來發現表現最佳的方法。研究庫中的算法實現可以很好，但它們也可以針對問題的一般情況而不是您正在使用的特定情況編寫。 通過將這樣的實現直接投入生產，可以非常認真地考慮您可能創建的依賴關系和技術債務。請考慮查找支持您要使用的方法的生產級庫。如果此時切換到生產級別庫，則可能必須重復算法調整過程。 您也可以考慮自己實施算法。此選項可能會引入風險，具體取決于您選擇的算法的復雜程度以及它使用的實現技巧。即使使用開源代碼，也可能存在許多復雜的操作，這些操作可能很難內化并且可靠地重現。 ### 模型測試 編寫自動化測試，驗證可以構建模型并重復實現最低級別的表現。還要為任何數據準備步驟編寫測試。您可能希望控制每個單元測試運行的算法使用的隨機性（隨機數種子），以便測試100％可重復。 ### 跟蹤 添加基礎設施以監控模型的表現，并在精度降至最低水平以下時發出警報。跟蹤可以在單獨的環境中實時發生，也可以在重新創建的模型上使用實時數據樣本。引發警報可以指示數據中的模型所學習的結構已經改變（概念漂移）并且可能需要更新或調整模型。 有些模型類型可以執行在線學習并自行更新。仔細考慮允許模型在生產環境中自我更新。在某些情況下，管理模型更新過程并切換模型（其內部配置）可能更明智，因為它們經過驗證更具表現。 ## 摘要 在這篇文章中，您了解到在交付結果之前，項目不會被視為完成。結果可能會呈現給您自己或您的客戶，并且在呈現結果時需要遵循最低結構。 在生產環境中使用學習模型時，您還學習了三個問題，特別是算法實現的性質，模型測試和正在進行的跟蹤。