【发布时间】：2017-10-20 16:27:10
【问题描述】：
我有一个机器学习语言识别项目 (Python)，它需要一个具有高维特征输入的多类分类模型。
目前，为了提高准确性，我所能做的就是通过反复试验。盲目地结合可用的特征提取算法和可用的 ML 模型，看看我是否走运。
我想问是否有一种普遍接受的工作流程可以系统地找到 ML 解决方案。
这种想法可能很幼稚，但我在想我是否可以以某种方式可视化那些高维数据和模型的决策边界。希望这个可视化可以帮助我做一些调整。在 MATLAB 中，经过训练，我可以在所有特征中选择任意两个特征，MATLAB 会相应地给出决策边界。我可以在 Python 中做到这一点吗？
另外，我正在寻找可以在演示文稿中使用的某些类型的图表来介绍我的模型和功能。该领域最常用的图表是什么？
谢谢
【问题讨论】：
-
“我想问是否有一个普遍接受的工作流程可以系统地找到 ML 解决方案。”不，没有。如果有，你可以被一个程序取代。也许很快有一天，但还没有。
-
自动化自动化，虽然我同意@juanpa.arrivillaga 这取决于你的问题。深度学习的整个目标是特征提取的自动化和某些超参数调整库，这些库不仅使用网格搜索，而且也作为优化问题处理，你可以说有一种自动化方法。但是，您的问题旨在可视化高维数据。有很多降维技术可以映射高维数据，例如t-SNE。
-
@Zephro 如何在降维数据上绘制决策边界？我应该根据降维数据训练分类器吗？
-
@YiShen 我从来没有做过，但是如何得出决策边界也取决于您使用的方法。如果您能够确定高维空间中的边界，您应该能够使用相同的方法（如 t-SNE）将它们转换为低维空间。但我猜这里。我只相信这不会为您的分析增加很多价值。
标签： python machine-learning visualization