前言

在上篇文章，我們提到到了在機器學習中模型學習的方式，今天就要來探討機器學習這個「學習」的過程，以及模型如何去進行「訓練」，而這當其實就是一連串的流程，也稱為機器學習的生命週期 ( Life Cycle )，其主要分成 7 個步驟。

機器學習之生命週期

整個生命週期主要會進行 7 個階段，如下：

• 資料採集 Gathering Data
• 資料準備 Data Preparation
• 資料整頓 Data Wrangling
• 分析資料 Analyse Data
• 訓練模型 Train the model
• 測試模型 Test the model
• 佈署 Deployment

Step 1. 資料採集 ( Gathering Data )

在這個步驟主要就是進行下面三個部分：

• 確認資料的來源 ( Sources )
• 收集資料 ( Collection )
• 整合收集到來自不同來源的資料 ( Integration )

像是若要模型能夠分辨出各種動物，就需準備很多種動物的圖片，若要能夠做出疾病的預測，就會需要醫療儀器等來幫助我們獲取人體的各種資訊，像是血壓、脈搏、血糖等當作訓練模型的資料，資料採集的來源可以有很多種，可以是從網路上、資料庫或是行動裝置等地方獲取，所以我們開始收集資料前，應該要先了解問題的種類和需求，還有清楚你最終的目標為何 ( EX : 辨識貓狗 )，在根據這個目標去進行資料採集，並確認要收集哪些資料才能滿足目標的需求，而我們統稱這些收集到的資料為資料集 ( Dataset )。

Step 2. 資料準備 ( Data Preparation )

在收集到資料後，我們要為之後的步驟做準備，而資料準備的步驟通常會針對下面兩個部分進行：

• 資料探索 ( Data Exploration )：對於我們收集到的資料，先去了解它的特性和資料型態 ( Format )，和資料的品質 ( Quality )
• 資料預處理 ( Data Preprocessing )：與下個步驟搭配進行完成資料預處理的進行，針對資料做一些前置處理的動作，處理掉資料的殘缺值或是對模型造成負面影響的資料

Step 3. 資料整頓 ( Data Wrangling )

這個步驟是為了能夠確保收集到的資料是可用的 ( Useable )、乾淨的和殘缺值的清理，資料中的殘缺值或者所謂的資料噪音 ( Noise ) 都會降低模型的效能表現，而資料準備的主要的任務有：

• 資料清洗：查檢資料中的缺漏值 ( Missing Value )、異常值 ( Outlier )、重複值、資料格式不一致、標籤不一致，對於這些資料中的噪音做出適當的處置。
• 資料轉換：因為輸入到模型中的資料格式都需要為數值，所以當面對到資料不為數值型態時，就必須做資料轉換，假設資料中若有欄位為性別，那資料就會為 ” 男 “ 或 “ 女 “，對模型來說這樣的資料並不是數值，所以需要資料轉換，通常會將此視為類別變數並進行資料編碼的動作，常見的有標籤編碼 ( Label Encoding ) 和獨熱編碼 ( One-Hot Encoding ) 技術，通常也會涉及到正規化與標準化的技術，關於這些技術會在之後幾天介紹到
• 特徵選取：通常收集到的資料對於不同的特徵，通常會分成許多的特徵欄位，而我們可以對這些特徵進行挑選，丟棄不重要的特徵並保留下重要的特徵即可
• 資料切割：在做機器學習時，針對收集到的資料集通常會在將其切分為訓練集 ( Training Set )、驗證集 ( Validation Set ) 與測試集 ( Testing Set )

Step 4. 分析資料 ( Analyse Data )

進行到這個步驟的時候，經過前面幾個步驟，我們已有乾淨的資料可以用，分析資料主要會進行下面幾個部分：

• 設計搭建模型：我們可以用拿到資料性質與當初的目標，去決定要使用哪種模型，通常會根據問題的類型來選擇，例如分類或是回歸問題的模型，搭建好後就可將我們準備好的資料輸入進模型
• 審查模型：在我們把資料傳入模型後，會對模型最終的輸出進行結果評估，看有沒有和預期相去甚遠

Step 5. 訓練模型 ( Train Model )

上個步驟我們已經可以得到乾淨的資料集，並且讓模型輸出一個結果，在這個訓練模型的步驟中，我們通常會利用這個資料集當中的訓練集作為訓練資料，訓練資料顧名思義就是訓練時模型所用的資料，然後我們通過一次次的迭代訓練，模型會根據訓練資料不斷地去改善其輸出的表現，我們會先設定一個迭代次數讓模型去訓練，在每次的迭代中通常會用一些算法，例如梯度下降 ( Gradient Descent )，讓模型能在不斷迭代的過程中更新模型參數 ( Parameter ) 以改善模型效能，所謂的訓練模型，就是模型不斷改進增強效能的過程。

Step 6. 測試模型 ( Test Model )

剛才我們用整個資料集中的訓練集去訓練模型，在這個步驟中，就會用資料集中的驗證集去測試模型在每次迭代 ( 訓練 ) 的效能表現，如果效能不佳的話就可藉此去調整模型參數改善，最後整個訓練過程結束後，就會用資料集中的測試資料來做最終的測試，在測試資料上的表現會體現出模型最終的效能與泛化能力，就可藉此來評估模型的好壞。

Step 7. 佈署 ( Deployment )

在這步驟就是要對模型做所謂的佈署，就是將經過訓練和測試評估後的模型應用到實際的生產環境中，所謂實際生產環境它可以是一個交互的平台，像是若你在電商平台中，用你訓練好的模型做一個 AI 服務，就要讓這個模型可以被佈署成 API，網站開發人員就可直接透過 API 使用到這個模型的功能，並將其併入到應用程式中，在後面的文章中我將會展示如何把訓練好的模型佈署在以 Django 為後端的網頁上。

小結

以上就是機器學習大致上會經過的流程，從一開始資料的準備，到訓練模型、評估模型效能、最後再佈署模型，這就是機器學習典型的生命週期，資料的採集、準備、整頓是做好機器學習的基石，所以在明天我將會針對資料處理的部分做介紹，會用到 Python 的資料處理分析大神 - Pandas，那我們就下篇文章見 ~

參考資料

https://www.javatpoint.com/machine-learning-life-cycle