这 10 条建议让你省去很多麻烦。它们专注于实践，而不仅仅是理论。为了使其实用，我将向您展示如何使用UCI 机器学习存储库中的真实数据集来构建和训练您的第一个模型。

让我们开始吧。

1.从简单开始：先建立小模型

暂时忘掉深度学习吧。从小型、简单的模型开始至关重要。如果你不能解释线性回归或决策树，你就还没准备好学习神经网络。这些简单的模型对于小型数据集非常有效，并为理解基础知识奠定了坚实的基础。

示例：使用线性回归预测房价

我们正在使用波士顿住房数据集。目标是根据犯罪率、房间数量和税率等特征预测房价。

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# Load dataset
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/housing/housing.data"
columns = ["CRIM", "ZN", "INDUS", "CHAS", "NOX", "RM", "AGE", "DIS", "RAD", "TAX", "PTRATIO", "B", "LSTAT", "MEDV"]
data = pd.read_csv(url, sep='\s+', names=columns)

# Split data
X = data.drop(columns=["MEDV"])
y = data["MEDV"]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Train Linear Regression
model = LinearRegression()
model.fit(X_train, y_train)

# Evaluate
y_pred = model.predict(X_test)
print(f"Mean Squared Error: {mean_squared_error(y_test, y_pred):.2f}")

这里发生了什么？

1. 我们加载住房数据集（无多余内容）。
2. 将其分成训练数据集和测试数据集（80/20）。
3. 训练线性回归模型来预测价格。
4. 使用均方误差（MSE）进行评估。

结果如何？ 你可以在 5 分钟内解释这个基本模型。

2. 在训练模型之前了解你的数据

原始数据中充满了故事。不要跳过探索数据集、可视化关系和识别可能破坏模型性能的奇怪异常值的步骤。

示例：探索葡萄酒数据集中的关系

我们使用的是葡萄酒数据集。该数据集根据 13 个特征将葡萄酒分为三类。

import seaborn as sns
import matplotlib.pyplot as plt
# Load the Wine Dataset
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/wine/wine.data"
columns = ["Class"] + [f"Feature_{i}" for i in range(1, 14)]
data = pd.read_csv(url, header=None, names=columns)
# Visualize relationships
sns.pairplot(data, hue="Class", diag_kind="kde")
plt.show()

这里发生了什么？

1. 该数据集有 3 个葡萄酒类别和 13 个数值特征。
2. 配对图可视化了特征之间的关系。
3. 您很快就会看到哪些特点区分了葡萄酒类别（一些模式会脱颖而出）。

关键见解：机器学习首先是理解数据，而不是模型。

3.清理和预处理数据

请记住，脏数据等于坏模型。你的算法不是读心者。缺失值、非数字数据和不一致的比例都会对你的结果产生负面影响。因此，在训练模型之前，请清理和预处理你的数据。

示例：清理乳腺癌数据集

乳腺癌数据集包含一些以？表示的无效条目。

import numpy as np
# Load the dataset
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data"
data = pd.read_csv(url, header=None)
# Replace '?' with NaN
data.replace("?", np.nan, inplace=True)
# Drop rows with missing values
data = data.dropna()
print(data.head())

这里发生了什么？

1. 用 NaN 替换无效条目（？）。
2. 删除缺少值的行。
3. 清理后的数据已准备好进行模型训练。

教训：垃圾进，垃圾出。清理你的数据。

4. 在做其他事情之前先拆分数据

如果你用训练模型时所用的数据来评估模型，那你就是在自欺欺人！将数据分成训练数据集和测试数据集。

示例：训练-测试拆分

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
print(f"Train size: {X_train.shape}, Test size: {X_test.shape}")

为什么重要：在未知数据上测试模型可以模拟真实世界的性能。

5. 训练之前扩展数据

机器学习模型不知道“年龄”和“收入”的衡量标准不同。缩放特征，使所有值都具有同等重要性。

示例：标准化特征

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

6. 交叉验证：以正确的方式测试你的模型

单一的训练测试分割是不够的。使用交叉验证在多个数据上测试您的模型。我们将在这里使用不同的数据集。这是来自 UCI ML 的钞票认证数据集。您会注意到交叉验证准确率与准确率有何不同。更低！使用较低的一个。如果您的准确率给您更高的百分比，并且您使用它，那么您就错了！

示例：使用随机森林进行交叉验证

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import cross_val_score
model = RandomForestClassifier()
scores = cross_val_score(model, X, y, cv=5)
print(f"Cross-Validation Accuracy: {scores.mean():.2f}")

7. 选择正确的功能

并非所有特征都重要。使用特征选择技术来挑选最重要的特征。

from sklearn.feature_selection import SelectKBest, f_classif
X_new = SelectKBest(f_classif, k=3).fit_transform(X, y)
print(f"Selected Features Shape: {X_new.shape}")

8. 正则化以避免过度拟合

当你的模型在训练数据上表现良好但在未知数据上表现不佳时，就会发生过度拟合。正则化有助于解决这个问题。

示例：Ridge Regression

from sklearn.linear_model import Ridge
ridge = Ridge(alpha=1.0)
ridge.fit(X_train_scaled, y_train)
print(f"Model Coefficients: {ridge.coef_}")

9.调整超参数

模型具有需要调整的设置（超参数）以获得更好的结果。使用网格搜索找到最佳设置。

from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
params = {'kernel': ['linear', 'rbf'], 'C': [0.1, 1, 10]}
grid = GridSearchCV(SVC(), params, cv=5)
grid.fit(X_train_scaled, y_train)
print(f"Best Parameters: {grid.best_params_}")

10.用正确的指标评估你的模型

准确度还不够。查看准确率、召回率和 F1 分数等指标来衡量模型的性能。

from sklearn.metrics import classification_report
y_pred = model.predict(X_test_scaled)
print("Classification Report:")
print(classification_report(y_test, y_pred))