# 初學者如何在機器學習中弄錯 > 原文： [https://machinelearningmastery.com/beginners-get-it-wrong/](https://machinelearningmastery.com/beginners-get-it-wrong/) ### _ 初學者犯下的 5 個最常見的錯誤 以及如何避免它們。_ 我幫助初學者[開始學習機器](http://machinelearningmastery.com/start-here/#getstarted)。 但我在**心態**和**動作**中一次又一次地看到同??樣的錯誤。 在這篇文章中，您將發現在開始機器學習時我看到初學者滑倒的 5 種最常見的方式。 **我堅信 任何人都可以開始使用應用機器學習做得很好 。** 希望您可以在下面的一個或多個陷阱中識別自己，并采取一些糾正措施重新開始。 讓我們開始吧。  如何不開始機器學習 攝影： [Bart Everson](https://www.flickr.com/photos/editor/4629870282/) ，保留一些權利。 ## 1）不要從理論開始 教授機器學習的傳統方法是自下而上的。 1. 努力學習數學背景。 2. 努力學習機器學習理論。 3. 努力從頭開始實施算法 4. **???** （_ 插入魔法 _） 5. 最后開始使用機器學習（**你的目標！**）。 這種方法很慢。這個很難（硬。它專為希望擴展最新技術水平的學者而設計。 它不是為想要結果的從業者設計的。 ### 陷阱 你知道如果你想或說的話，你會陷入這個陷阱： * 我需要先用線性代數完成這門課程。 * 我需要回去獲得博士學位。第一。 * 我必須先閱讀這本教科書。 ### 出路 學習 4 年的數學或深奧的算法理論如何讓你達到你想要的目標？ 你更有可能停下來。失敗。不要接近你的目標。 解決方案是翻轉模型。 如果機器學習對市場的寶貴貢獻是一組準確的預測，那么學習如何建模問題并做出準確的預測。從這里開始。 然后真的很擅長它。 如果您需要，請閱讀，竊取，利用理論，但只為您的目標服務。只有它能讓你更好地提供價值。 ## 2）不要研究所有的機器學習 機器學習是一個非常大的研究領域。 它是計算機學習過程的自動化，與人工智能有很大的重疊。 從深奧的學習理論到機器人學。這個領域很大。 這個領域太大了，你無法承擔所有這些。 ### The Trap 你知道如果你想到這樣的話，你已經屈服于這個陷阱： * 我需要了解新網站上提到的每種新技術。 * 我需要先了解計算機視覺，自然語言處理，演講等。 * 我需要知道關于一切的一切。 ### The Way Out 選擇一個小角落并專注于它。 然后再縮小它。 最有價值的機器學習領域是[預測建模](http://machinelearningmastery.com/gentle-introduction-to-predictive-modeling/)。從數據創建模型以進行預測。 從那里開始。 接下來，重點關注一種與您最相關或最感興趣的預測建模。 然后堅持下去。 也許你選擇技術，比如[深度學習](http://machinelearningmastery.com/applied-deep-learning-in-python-mini-course/)。或者您可以選擇問題類型，例如推薦系統。 也許你不確定，所以無論如何都選擇一個。好好或至少精通。 然后，稍后，回到另一個區域。 ## 3）不要亂用算法 機器學習實際上是關于[算法](http://machinelearningmastery.com/machine-learning-algorithms-mini-course/)。 有很多算法。每個算法都是一個復雜的系統，它本身就是一個很小的研究領域。它是自己的生態系統。 你可能會迷失在算法中。人們這樣做。 他們被稱為學者。 ### The Trap 如果你發現自己說： * 在使用之前我需要知道它為什么有效。 * 我需要首先深入理解超參數。 * 我需要在調整時解釋原因和結果。 ### The Way Out 算法不是結果。它們是結果的手段。 實際上，機器學習算法是一種商品。 把它們換掉。在你的問題上嘗試一下它們。調整一些，但繼續前進。 您可以了解有關算法的更多信息以獲得更好的結果，但知道何時停止。 使用[系統過程](http://machinelearningmastery.com/process-for-working-through-machine-learning-problems/)。設計調整實驗并自動執行和分析。 機器學習是關于算法的良好運用，但應用機器學習不僅僅是擺弄算法。 專注于從每個項目提供結果的目標，即一組預測或可以制作它們的模型。  Wring Way Go Back 照片由 [Dallas](https://www.flickr.com/photos/begnaud/243996426/) 拍攝，保留一些權利。 ## 4）不要從頭開始實施一切 你可以從[從頭開始實現算法](http://machinelearningmastery.com/understand-machine-learning-algorithms-by-implementing-them-from-scratch/)中學到很多東西。 有時你甚至需要實現一種技術，因為沒有合適的或可用的實現。 但是，一般來說，你沒有，你不應該。 你的實現可能很糟糕。抱歉。 * 它會有**錯誤**。 * 它會**慢**。 * 它將是**記憶豬**。 * 它不會很好地處理**邊緣情況**。 * 它甚至可能是**錯**。 ### The Trap 如果你在這個陷阱中： * 您正在編寫代碼來加載 CSV 文件（_ 到底是什么！？_） * 您正在為線性回歸等標準算法編寫代碼。 * 您正在編寫用于交叉驗證或超參數調整的代碼。 ### The Way Out 停下來。 * 使用由處理所有邊緣情況的數十或數十萬其他開發人員使用的通用庫，并且已知是正確的。 * 使用高度優化的庫，從硬件中擠出每個最后一個周期和每個最后一個字節的內存。 * 為您自己的項目使用圖形用戶界面，完全避免使用代碼。 每次想要使用它時實現所有內容都是開始機器學習的一種非常緩慢的方式。 如果您正在實施學習，那么請對自己誠實，并將其與學習如何通過應用機器學習提供價值分開。 ## 5）不要一直改變工具 有很多很棒的機器學習工具。 事實上，偉大的工具，數據可用性和快速硬件是我們在機器學習中看到文藝復興的原因。 但是你可能陷入跳躍到你偶然發現的每個新工具的陷阱。 ### The Trap 如果你發現自己，你就陷入了這個陷阱： * 使用您聽到的每個新工具。 * 發現每周或每月都要學習一種新的工具或語言。 * 通過學習庫并將其留給新庫中途。 ### The Way Out 學習和使用新工具。 但要有戰略意義。 將新工具集成到您的系統過程中，以解決機器學習問題。 如果你選擇一個大型主要平臺并堅持使用它，你將會更有效地解決問題，至少在你做得好或精通它之前。 我推薦的前 3 個平臺是： * [Weka Workbench](http://machinelearningmastery.com/applied-machine-learning-weka-mini-course/) 。 * [Python 生態系統](http://machinelearningmastery.com/python-machine-learning-mini-course/)。 * [R 平臺](http://machinelearningmastery.com/r-machine-learning-mini-course/)。 還有其他的，如果你的地區有更多的專業工具。 跟進是愛好者和專業人士之間的區別。 ## 摘要 在這篇文章中，您將發現我在機器學習中看到的 5 個最常見的錯誤。 他們再次： 1. 不要從理論開始。 2. 不要學習所有的機器學習。 3. 不要亂用算法。 4. 不要從頭開始實施一切。 5. 不要一直改變工具。 你陷入了這些陷阱嗎？ 你需要幫忙嗎？ 發表評論，我來幫忙。