测试数据评估

　　机器学习过程:

　　问题定义-数据获取-数据准备-数据分割-算法选择-算法训练-测试数据评估-参数调整-模型使用

　　问题定义

　　出什么问题了

　　定义此任务，并将其分为任务（T），经验（E）和绩效（P）.

　　图片中是否收录人物:

　　数据采集

　　定义问题后，开始数据采集. 有很多不同的采集数据的方法. 如果您想将评论与评分链接起来，则必须先爬网网站.

　　数据准备*

　　ETL，是Extract-Transform-Load的英文缩写，用于描述从源到目标提取，转换和加载数据的过程

　　BI通常是指商业智能. 商业智能（Business Intelligence，简称: BI），也称为商业智能或商业智能，是指利用现代数据仓库技术，在线分析和处理技术，数据挖掘和数据显示技术进行数据分析以实现业务值.

　　预处理过程中的某些过程: 数据分割*

　　机器学习算法的目标是预测未知的新数据. 为了评估生成的模型，需要将数据分为训练数据和测试数据. 使用训练数据进行算法训练，并使用测试数据计算生成模型的最终准确性. 测试数据不参与算法训练.

　　使用60％到80％的数据作为训练数据，其余部分用作测试数据. 因此，可以将在测试数据中获得最佳结果的模型用作目标模型

　　算法选择*

　　机器学习算法开始，并将训练数据的特征应用于该算法. 算法的选择取决于问题的定义.

　　算法训练

　　在训练数据集上执行训练模型. 大多数算法的权重/参数是在训练开始时随机分配的，并且在每次迭代中都会得到改善.

　　测试数据评估

　　使用训练数据生成最佳算法后，请在测试数据集上评估算法的性能. 测试数据集不能参与算法训练，因此测试数据不会影响算法的决策.

　　参数调整模型的使用

　　您可以获得在训练集上训练和生成并在测试集上进行评估的模型. 现在，您可以使用此模型来预测新数据的价值. 对于生产环境，您可以将模型部署到服务器，并通过API接口使用模型的预测功能