机器学习（ML）中的模型开发是一个迭代过程，它与统计模型开发完全不同。统计模型开发中使用的方法有理论支持，模型做出的预测将独立于模型开发者。在机器学习中，建模是一门艺术，ML 模型产生的结果取决于艺术家、模型开发者。在机器学习中，我们有不同类别的专业人士从事模型开发。


他们是软件工程师、机器学习工程师和数据科学家。这些专业人员的每一类都从不同的角度看待模型开发。数据科学家从不满足于模型所做的预测，并认为仍有提高准确性的空间。但是，软件工程师和机器学习工程师很容易满足，并且倾向于认为他们的模型产生的结果具有最高的准确性，并且没有进一步改进的余地。

机器学习模型的准确性还取决于所使用的算法。在机器学习中，我们必须从六个算法/库中选择一个。典型的机器学习算法/库是 XGBoost、随机森林、TensorFlow、Scikit-learn 和 Pytorch。在机器学习中，我们可以应用人类的创造力、直觉、经验和领域知识来提高模型的准确性。因此，机器学习模型的准确性也取决于开发模型的专业人员。模型开发人员通过调整超参数来影响模型。超参数是用户定义的设置，指示算法在训练期间的行为方式。

在机器学习上下文中，将引用修改为“所有模型都是准确的，但有些模型更准确”会更合适。

相关帖子DA内容精选 2022年300个以上最佳免费数据科学课 大厂数据分析面试指南！来自亚马逊、谷歌、微软、头条、美团的面试问题！ 机器学习模型方法总结 历史最全机器学习/深度学习/人工智能专业术语表中英对照表 机器学习如何应用于商业场景？三个真实的商业项目 数据工作者的自我修养 | 哪些技能是必不可少的？ 《汗牛充栋：数据分析书籍分享》CDA网校新课上线 文本挖掘常用的107个语料库 一图读懂“东数西算”工程 零基础转行数据分析，看这篇文章就够了