1，将问题抽象成数学问题，是分类，是回归或者是聚类问题。
2，获取数据
获取数据集，或者创造数据集。
数据要均匀，否则会因为过多某一种学习数据特征，造成过拟合。
数据的数量级对内存影响。
3，数据的预处理和特征选择
归一化，离散化，因子化，缺失项处理等。
同时，对数据的挖掘，从现有数据提取出新数据，能够很大影响结果数据。
4，训练和调优
符合数据的模型，符合数据特征的损失函数。过拟合调优则增加数据量，降低模型复杂度（参数过多，超平面过于复杂）。欠拟合则提高特征数量和质量，增加模型复杂度。（参数少，超平面简单）
5，模型诊断
模型好坏不是针对一个数据集，最终模型要看它的鲁棒性。交叉验证，模型复杂度。同时模型的效果好坏。
6，模型融合
一般来说，模型融合都可以提升效果。
7，上线运行
各种模型实际运用到工程中的效果。
原文：https://www.cnblogs.com/lpfworld/p/10732159.html