问题建模：

解决一个机器学习问题都是从问题建模开始。首先需要收集问题的资料，深入理解问题，然后将问题抽象成机器可预测的问题。在这个过程中要明确业务指标和模型预测目标，根据预测目标选择适当的评估指标用于模型评估。接着从原始数据鸿选择最相关的样本子集用于模型训练，并对样本子集划分训练集和测试集，应用交叉验证的方法对模型进行选择和评估。

特征工程

完成问题建模，对数据进行筛选和清洗之后的步骤，就是对数据抽取特征，即特征工程。特征工程是一项很重要但又很困难的任务，不仅需要我们对模型和算法有深入的理解，还需要我们有很扎实的专业领域知识。工业界大多数成功应用机器学习的问题，都是在特征工程方面做的很好。虽然不同模型和不同问题都会导致特征工程差异很大，但仍有很多特征工程的技巧可以通用。

模型选择

我们进行特征工程是为了将特征输入给模型，让模型从数据中学习规律。但是模型有很多，不同的模型有很大差别，使用场景不同，能够处理的特征也有很大差异。当我们经过特征工程得到一份高质量的特征之后，还需要考虑哪个模型能够更准确地从数据中学习到相应规律。从众多模型中选择最佳的模型对模型有深入的理解。

模型融合

如上所言，不同模型有很大差别，能够从数据中学到的规律也会不同。我们可以采用模型融合的方法，充分利用不同模型的差异，以进一步优化目标。

从机器学习的发展现状来看，很多机器学习从业者在处理问题时直接进行特征工程和模型选择，而忽略了问题建模。问题建模是十分重要的一个环节，必不可少。
评价指标很多，我们应该选择一个能跟业务指标波动一致的评估指标。这样通过观察评估指标就能观察模型效果，可以大大提高模型迭代效率。否则评估指标都没有参考意义。