我们日常交流中指的机器学习建模过程大体包含如下步骤。
即：
- 定义一个需求（解决一个问题）
- 需求所需数据的收集和处理
- 特征工程
- 模型的训练、验证和选择
- 使用模型去预测
注：为了简单，暂不考虑过程中的迭代和循环。
所以在训练前数据集洞察，模型训练中，模型实例化后的预测探索等阶段，可视化都有存在的价值。
一、训练前，可视化帮助用户快速理解数据集。比如了解单列数值的分布特征；是否有特大/特小的异常值；某些列有很高比例的空值；以及由于以上原因导致的单列数值偏态分布。
二、模型训练过程中，可视化帮助用户诊断模型参数设置是否合理。协助完成参数调优。
目前技术实力雄厚的IT公司，大多在这一块有布局。新颖的如谷歌公司基于TensorFlow的TensorBoard。
三、在模型实例化后，a.帮助用户理解模型的决策过程和结构; b. 帮助用户从多个模型中通过比较做出选择。
- 理解模型的决策过程。它对模型有局限性，对于多层神经网络目前还没有办法。不过对于线性回归，决策树等非神经网络模型，能很好的帮助到用户。比如网站 www.r2d3.us/图解机器学习/。
2.帮助用户通过比较，选择更合适的模型。其实就是模型的验证。
比如区分一杯饮料是啤酒还是红酒的分类问题。我既可以用逻辑回归，也可以用贝叶斯方程，也可以用神经网络，还可以用随机森林，又或可以用向量机模型来预测。从计算机工程的角度去思考，应该所有模型都训练，都实例化，然后用验证数据集看匹配结果。
目前在这个领域还没有哪家公司公开发布产品。但是在量化投资中，针对结果指定指标，然后通过观察指标分布，决定使用哪个模型有很现实的意义。
四、当模型在生产系统的应用阶段，a可视化帮助用户洞察输入数据是否符合模型的要求；b可视化帮助用户二次探索模型预测结果。
a可视化帮助用户确认需要预测的数据是否符合模型的要求。这一点其实和模型训练前观察训练数据集质量相似。因为模型是被训练出来的。输入数据特征差距太大，必然导致模型预测失败。
举个例子，如果谷歌汽车永远都是在没有其他车辆的废弃空军基地训练，上真实公路实际应用的时候，大家肯定不敢乘坐。
b可视化帮助用户二次探索模型预测结果。这个领域的公司很多。比如，Tableau。
重点给大家推荐一家公司https://www.piinpoint.com/。这家公司主业是零售店面的选址前策。提供了较为新颖的基于模型预测结果的二次探索。
五、对解决某一问题整个过程的可视化。
这方面大家可以参考http://algorithms-tour.stitchfix.com。stitchfix是一家为高端职业女性搭配时尚服饰的公司。在解决服饰搭配，仓储物流等问题上大量使用机器学习建模。
它和r2d3.us网站完全使用D3.js驱动，SVG来产生绘图和动画，加上视差滚动的原理，将抽象的算法可视化呈现出来。
个人认为基于SVG的动画不能用于标准产品，只能作为企业网站上传播成功案例的一种定制方案。
总结起来，可视化在机器学习过程中，有五处应用。可视化的价值在于帮助用户理解，诊断，优化模型或者数据。