一、確定特徵：（收集訓練數據）
1 > 數據探索：（爲什麼要進行數據探索呢：有助於選擇 合適的 數據預處理方法 和 建模方法）
（1）數據質量分析
-- 缺失值
-- 異常值
（2）特徵分佈特性的分析
-- 統計量
-- 直方圖
（3）特徵之間相關性分析
2 > 數據預處理：
3 > 特徵選擇：
二、確定模型：（暫定確切的模型）
三、模型訓練：（根據樣本數據計算模型參數）
四、模型評估： （根據測試數據，評估模型的預測性能）
note：深度學習可學習 feature
===========================================================================================
—–>確定特徵—->數據探索——>數據質量分析——–> 缺失值：
1.統計含有缺失值的樣本數目 及 缺失率
2.缺失值的處理：
1> 刪除含有（一個或多個）缺失值的樣本 (從 行 的角度考慮)
2> 刪除缺失值太多的特徵(從 列 的角度考慮)
3> 對缺失值進行插補
—— 均值mean(默認的方法)
—— 中位數median
—— 衆數 most_frequent
—— 固定值插補 （根據背景知識用某些常量進行插補）
—— 最近鄰插補 （尋找最相似的樣本，用該樣本對應的屬性進行插補）
—— 迴歸方法 （用沒有缺失的數據建立迴歸方程預測不完整的樣本數據）
—— 插值法 （利用該變量已有數據 建立合適的插值函數 進行插補）
4> 不處理（有些框架可處理數據缺失的情況，如：xgboost）