机器学习与深度学习 / 系统课时

规划综合预测项目

规划综合预测项目

学习目标

  • 把业务问题转换为可训练的预测任务
  • 明确数据边界、指标与基线
  • 定义可验收的项目交付物

先写清预测决策

项目不应从“训练一个高准确率模型”开始,而应从业务决策开始:谁在什么时间点,需要根据模型结果采取什么动作。例如“每天凌晨识别未来 30 天可能流失的活跃用户,供运营安排召回”。

这句话同时限定了预测对象、预测时点、目标窗口和使用者,后续标签与特征才能保持一致。

定义样本、标签和截止时间

每条样本代表一个确定实体在确定时点的状态。特征只能使用截止时间之前的数据,标签根据截止时间之后的观察窗口生成。例如以 7 月 1 日为截止点,用此前 90 天行为预测之后 30 天是否购买。

若样本定义不清,容易出现同一用户重复、未来信息泄漏或线上无法构造输入。

建立指标与基线

指标必须对应业务成本。流失召回项目可能要求召回率至少 80%,同时限制每天触达人数;风控项目可能限制误报率;排序项目可能关注前 K 名命中率。

基线至少包括多数类规则、简单业务规则或简单模型。候选方案只有稳定超过基线,才说明复杂度有价值。

数据与风险清单

项目计划应记录数据来源、时间范围、更新频率、字段负责人、标签延迟和隐私限制。提前列出常见风险:类别不平衡、样本选择偏差、标签噪声、时间漂移、线上字段缺失和接口延迟。

每个风险都应有验证方法和应对动作,而不是只写“注意数据质量”。

交付验收标准

最小交付通常包括:可复现训练脚本;完整预处理与模型文件;离线评估报告;输入输出契约;预测接口或批处理脚本;依赖与运行文档;模型和数据版本;已知限制与回滚方案。

验收标准应可执行,例如“在时间外测试集上 AUC 不低于 0.80,召回率 0.80 时精确率不低于 0.35,单次预测 P95 延迟低于 100 毫秒”。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

规划综合预测项目

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通