机器学习通常分为以下四个核心过程（以监督学习为例）：

1. 数据准备 (Data Preparation)

   • 数据收集：获取原始数据集（结构化/非结构化数据）
   • 数据清洗：处理缺失值、异常值、重复数据等
   • 数据探索：通过可视化分析特征分布、相关性（EDA）
   • 数据分割：划分训练集、验证集、测试集（常见比例如 70%/15%/15%）

2. 特征工程 (Feature Engineering)

   • 特征构造：创建新特征（如日期数据衍生出"季节""星期几"）
   • 特征转换：标准化/归一化、对数变换等
   • 特征选择：通过相关性分析、树模型重要性筛选关键特征
   • 特征编码：处理类别型变量（独热编码、标签编码等）

3. 模型训练 (Model Training)

   • 算法选择：根据任务类型选择模型（分类：决策树/SVM；回归：线性回归/随机森林）
   • 超参数调优：使用网格搜索/随机搜索优化参数（如学习率、树深度）
   • 训练与验证：在训练集上拟合模型，用验证集评估性能（交叉验证）
   • 集成方法：组合多个模型提升效果（Bagging/Boosting/Stacking）

4. 模型部署与迭代 (Deployment & Iteration)

   • 性能评估：在测试集上测试泛化能力（指标：准确率/F1-score/RMSE）
   • 模型部署：落地为API服务、嵌入式系统或云端应用
   • 监控维护：持续跟踪预测效果，检测数据漂移（Data Drift）
   • 反馈循环：根据新数据重新训练模型，持续优化（持续学习）

? 关键特点：

• 整个过程是迭代循环（如特征工程可能需反复调整）
• 无监督学习流程类似，但无需标签数据（如聚类任务）
• 工业界强调 MLOps：将机器学习模型工程化和自动化运维

（示意图：数据流从采集→预处理→建模→部署形成闭环）