先决条件–数据分析的生命周期阶段
建筑模型 ：
在此阶段，数据科学团队需要开发用于培训，测试和生产目的的数据集。这些数据集使数据科学家能够开发分析方法并进行训练，同时保留一些数据以测试模型。
团队开发用于测试，培训和生产目的的数据集。此外，在此阶段，团队根据在模型计划阶段完成的工作来构建和执行模型。该团队还考虑了其现有工具是否足以运行模型，或者是否需要更健壮的环境来执行模型和工作流(示例-快速硬件和并行处理)。
免费或开源工具：
Rand PL/R, Octave, WEKA, Python 商业工具–
Matlab, STASTICA 模型构建阶段的常用工具：
R和PL / R：
它们在模型规划阶段就已经进行了描述，PL / R是带有R的PostgreSQL的过程语言。使用这种方法意味着可以在数据库中执行R命令。
八度：
它是用于计算建模的免费软件编程语言，具有Matlab的某些功能。由于Octave是免费提供的，因此在大型大学中教授机器学习时会使用Octave。
WEKA：
它是带有分析工作台的免费数据挖掘软件包。 WAKA中创建的功能可以在Java代码中执行。
Python ：
它是一种编程语言，提供了用于机器学习和分析的工具包，例如scikit-learn，NumPy，scipy，Pandas，以及使用matplotlib进行相关的数据可视化。
SQL：
数据库实现(例如MADlib)中的SQL提供了内存桌面分析工具的替代方法。
MADlib：
它为PostgreSQL或Greenplum提供了一个开放源代码的机器学习算法库，该算法可以在数据库中执行。模型构建的生命周期–
- 选择变量
- 余额数据
- 建立模型
- 证实
- 部署
- 维持
- 定义成功
- 探索数据
- 条件数据
数据探查用于找出数据要点，并开发对其质量，数量和特征的第一步评估。可视化技术也可以应用。但是，在具有许多输入变量的高维空间中，这可能是一项艰巨的任务。在数据条件中，我们对功能数据进行分组，然后在完成重缩放后将这些功能数据应用于建模技术，在某些情况下，如果耦合了变量，则重缩放是一个问题。可变截面对于开发质量模型非常重要。
此过程与隐式模型有关，因为它用于配置在正在进行的模型开发中应使用哪种变量组合。数据平衡是将数据划分为适当的子集，以进行训练，测试和验证。模型构建应着眼于所需的算法。最著名的技术是符号回归，也可以使用其他技术。
模型验证对于在使用之前建立信任感非常重要。好的模型的定义包括健壮性和明确定义的准确性。因此，可信的准确模型也有潜在的财务和物理危险，但是可信的度量对于符号回归和堆叠分析网络非常重要。