步骤 1.了解业务问题（并定义成功）
任何机器学习项目的第一阶段都是了解业务需求。在尝试解决问题之前，您需要知道要解决的问题是什么。
本文是
- 其中还包括：
首先，与项目所有者合作并确保您了解项目的目标和要求。目标是将这些知识转化为适合机器学习项目的问题定义，并制定实现项目目标的初步计划。需要回答的关键问题包括：
- 需要认知解决方案的业务目标是什么？
- 解决方案的哪些部分是认知性的，哪些不是？
- 是否已解决所有必要的技术、业务和部署问题？
- 该项目定义的“成功”标准是什么？
- 项目如何进行迭代冲刺？
- 对于透明度、可解释性或减少偏见是否有任何特殊要求？
- 道德方面的考虑是什么？
- 准确度、精密度和混淆矩阵值可接受的参数是什么？
- 模型的预期输入和预期输出是什么？
- 所解决的问题有什么特点？这是分类、回归还是聚类问题？
- 什么是“启发式”——不需要机器学习来解决问题的快速而肮脏的方法？该模型需要比启发式好多少？
- 如何衡量该模型的好处？
尽管第一步有很多问题需要回答，但回答甚至尝试回答这些问题将大大增加整个项目成功的机会。
设定具体的、可量化的目标将有助于从机器学习项目中实现可衡量的投资回报率，而不是简单地将其作为概念验证来实施，稍后就会被扔到一边。这些目标应该与业务目标相关，而不仅仅是与机器学习相关。虽然机器学习特定的衡量标准（例如精度、准确度、召回率和均方误差）可以包含在指标中，但更具体、与业务相关的关键绩效指标 (KPI) 更好。
