Machine learning 机器学习-进化智能

对构建包含这些方面的ML模型的概念和步骤有一些了解-

理解问题并将其归类为监督问题或 无监督、回归或分类或聚类等

特征设计，即要考虑的特征/输入参数

将数据拆分为训练集和测试集。（交叉验证是必要的 这里还有一个重要的概念。）

比较各种模型（如KNN、SVM、随机森林等），了解哪些模型效果良好。基本上，交叉验证分数并了解预测能力

怀疑：：

如何将更新的数据提供给ML以保持其更新和更好的预测

没有什么需要最终确定的，一旦你得到了新的数据，你可以用所有相关的数据重新训练你的模型，或者更新你的模型（例如线性回归的另一次梯度下降迭代）

如果是相关数据，即来自同一分布的数据，则不应“损害”模型

这与#1基本上是同一个问题。细节取决于模型。有些模型你只需要用所有相关数据进行再培训。某些模型可以使用新数据进行更新

---

抱歉，但是我仍然没有得到在我的帖子中被违反的SO协议。我应该在数据科学交换、标题或一些代码片段中问这个问题吗？最好是在“请检查一般问题”中问这个问题。@mods：我以更好的格式问了这个问题，并提供了有关“数据科学”堆栈交换的更多详细信息，并且从社区收到了非常有用的建议。我可以删除这整个线程，因为这不再是有用的，并恢复我的发帖能力？我不认为再需要编辑这篇文章了。我得到了我问题的答案，这就是模型过时的问题-