AM建模基础知识文档
1. 建模基本概念
模型: 是对现实世界中某种规律或现象的抽象表示。
建模: 是从数据中提取知识或规律的过程。
2. 模型建立流程
问题定义: 明确建模的目标和问题。
数据收集: 收集与问题相关的数据。
特征工程: 对数据进行预处理和特征提取。
模型选择: 选择合适的算法或技术进行建模。
模型训练与调整: 通过训练数据进行模型训练和参数调整。
模型评估: 使用测试数据评估模型的性能。
模型部署: 将模型应用到实际场景中。
3. 模型精度评估
准确率: 正确预测的样本数占总样本数的比例。
召回率: 真正例中被正确预测的比例。
F1分数: 准确率和召回率的调和平均数。
AUC-ROC: ROC曲线下的面积，衡量分类模型性能。
4. 模型优化技巧
交叉验证: 使用不同分割的数据集进行多次训练和测试。
早停法: 当验证集的性能开始下降时停止训练。
正则化: 通过增加惩罚项来防止过拟合。
集成学习: 将多个模型的预测结果结合起来提高性能。
5. 数据预处理方法
缺失值处理: 删除、填充或使用其他技术处理缺失数据。
数据归一化/标准化: 将数据缩放到指定的范围或均值标准差为单位。
特征缩放: 使用缩放技术处理特征之间的尺度差异。
特征编码: 对分类变量进行编码（如独热编码）。
6. 特征选择与提取
基于统计的特征选择: 使用统计方法选择具有显著性的特征。
基于模型的特征选择: 使用模型进行特征重要性评估。
主成分分析(PCA): 通过线性变换将高维数据降维。
文本特征提取: 从文本数据中提取关键词、主题等特征。
7. 模型训练与部署正则化定义
训练策略: 选择批量训练、小批量训练或在线学习策略。
GPU加速: 使用GPU进行模型训练以加速计算过程。
模型部署工具: 选择合适的工具将模型部署到生产环境中（如TensorFlow Serving、KFServing等）。
模型更新与维护: 在生产环境中对模型进行持续监控和更新。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。