数据准备
如前所述，在此步骤中，数据用于解决问题。这是清理和组织数据的过程，以便机器学习算法可以使用它。
传统的
机器学习技术
传统的数据准备方法成本高、劳动 澳大利亚电话号码数据 强度大且容易出错。机器学习算法可以通过从庞大的实时数据集中学习来帮助克服这些问题。
用于数据准备的机器学习技术包括实例减少和缺失值填补。实例减少可用于减少数据量，而不会损害知识和 信息质量 可以提取的数据。数据插补是一种用替代值替换缺失信息的方法。
分析不同的模型
准备好数据后，您需要评估各种机器学习模型，看看哪种模型最适合解决问题。这需要建立成功标准，以便您可以选择理想的模型。
例如， 网络威胁 金融行业中的欺诈和黑客行为正在增多。公司可以部署各种机器学习模型来检测欺诈行为。在这种情况下，成功的标准将基于模型检测欺诈的准确性。