开发机器学习的过程，有助于在机器学习开发的过程中做出正确决策。
首要要确定系统的整体架构，这意味选择机器学习模型，以及什么数据，可能还需要选择超参数，
然后根据这些决策，会实现并训练一个模型，
然后事实活产看一下诊断，例如产看算法的偏差或者方差，以及在下一个章节要看到的错误分析，根据诊断的见解，做出决策
例如是否让神经网络更强大，或者改变正则化参数，或者可能添加更多的数据，或者添加更多的特征，或者减少特征，
最后再次围绕这个循环进行，选择新的架构，通常需要多次迭代才能达到想要的性能，
看一个电子邮件垃圾邮件分类器
如何区分一个邮件是垃圾邮件还是真正的有限呢？
一种方法是训练一个监督学习算法，其中输入特征X是电子邮件邮件的特征，输出标签Y 1或0用来 取决于他是垃圾邮件还是非垃圾邮件，因此这是一个文本分类的应用
一种构建分类特征方法的是说，取英语语言或某些其他字典前100000的单词并使用他们来定义特征，X1,X2X....X10000
统计这些词是否出现出现为1没出现为0构建成一个列表向量，
另一种方法是不让这些数字是0和1，而是实际单词在邮件中出现的次数，
比如buy出现了两次就变成2
有了这些特征就可以训练一个分类算法，例如逻辑回归模型，或者是神经网络，用来预测这些给定特征X的Y,
在训练模型之处如果他变现的不如你希望的那样好，你可能会想到很多种改进学习算法性能的想法，例如收集更多的数据总是很诱人，但是会有创建了大量的虚假电子邮件地址，并故意让这些地址落入垃圾邮件发送者手中，以便当他们向这些虚假邮件发送垃圾邮件时，这些邮件是垃圾邮件，因此这是一种获取大量垃圾邮件数据的方法，
或者你可能会基于邮寄路由开发更复杂的特征
邮件路由指的是，电子邮件在到达你手中之前，所经过的一系列计算服务器，有时遍布全球，而电子邮件实际上有，所谓的邮件头信息，这些信息记录了电子邮件如何穿越不同的服务器，不同的网络，最终找到你，有时电子邮件的路径可以帮到你，判断他是否由垃圾邮件发送的，
或者从邮件正文中开发开发更复杂的特征，即邮件的文本，所以之前提到的特征中，discounting，discount，可能被视为不同的词，但他们也许被视为相同的词，或者你可能会决定开发算法拼写错误或故意的拼写错误，如w4tches，med1cine,m0rtgage,这也可以判断一个邮件是否为垃圾邮件，
